CN116579486A - 土壤有机污染物的迁移及转化预测方法、系统和存储介质 - Google Patents

土壤有机污染物的迁移及转化预测方法、系统和存储介质 Download PDF

Info

Publication number
CN116579486A
CN116579486A CN202310576015.1A CN202310576015A CN116579486A CN 116579486 A CN116579486 A CN 116579486A CN 202310576015 A CN202310576015 A CN 202310576015A CN 116579486 A CN116579486 A CN 116579486A
Authority
CN
China
Prior art keywords
migration
data
soil
conversion
organic pollutants
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.)
Granted
Application number
CN202310576015.1A
Other languages
English (en)
Other versions
CN116579486B (zh
Inventor
杨彦
张锦辉
陈浩佳
黄天岳
纪红兵
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.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
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 Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN202310576015.1A priority Critical patent/CN116579486B/zh
Publication of CN116579486A publication Critical patent/CN116579486A/zh
Application granted granted Critical
Publication of CN116579486B publication Critical patent/CN116579486B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • 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
    • Y02A20/20—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)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • General Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Marketing (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Primary Health Care (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Operations Research (AREA)
  • Processing Of Solid Wastes (AREA)

Abstract

本发明公开的一种土壤有机污染物的迁移及转化预测方法、系统和存储介质，其中方法包括：获取观察周期内土壤有机污染物内的迁移量以及转化量，所述迁移量包括化学迁移量以及机械迁移量，所述转化量包括土壤转化量；基于所述迁移量以及所述转化量结合所述观察周期进行数据排序以剔除误差数据完成数据修正，所述误差数据包括测量误差以及输入误差；将经过数据修正后的所述迁移量以及所述转化量输入至训练好的预测卷积神经网络模型中得到模型输出，基于所述模型输出生成迁移转化预测结果。本发明可以利用神经网络模型对土壤有机污染物的迁移量以及转化量进行预测，并且在预测前对数据进行修正误差，以此可以保障预测数据的准确以及提高预测的速率。

Description

土壤有机污染物的迁移及转化预测方法、系统和存储介质
技术领域
本发明涉及数据处理以及有机污染物技术领域，更具体的，涉及一种土壤有机污染物的迁移及转化预测方法、系统和存储介质。
背景技术
随着工业的迅猛发展和农业化学物质的广泛应用，由于处置不当、意外泄漏、人为污染等因素，大量有机污染物通过地表水补给作用或经地表土壤向下迁移进入地下水，从而使土壤和地下水受到污染。这些土壤及地下水中的有机污染物对人类的身体健康和生态环境造成了极大的潜在风险。
在土壤污染防治过程中，需要明晰土壤有机污染物的迁移转化，预测其在环境中扩散、降解等情况，从而为土壤污染风险评估、管控和治理修复提供科学依据，保障人居环境安全。
发明内容
本发明的目的是提供一种土壤有机污染物的迁移及转化预测方法、系统和存储介质，可以利用神经网络模型对土壤有机污染物的迁移量以及转化量进行预测，并且在预测前对数据进行修正误差，以此可以保障预测数据的准确以及提高预测的速率。
本发明第一方面提供了一种土壤有机污染物的迁移及转化预测方法，包括以下步骤：
获取观察周期内土壤有机污染物内的迁移量以及转化量，其中，所述迁移量包括化学迁移量以及机械迁移量，所述转化量包括土壤转化量；
基于所述迁移量以及所述转化量结合所述观察周期进行数据排序以剔除误差数据完成数据修正，其中，所述误差数据包括测量误差以及输入误差；
将经过数据修正后的所述迁移量以及所述转化量输入至训练好的预测卷积神经网络模型中得到模型输出，基于所述模型输出生成迁移转化预测结果。
本方案中，所述获取观察周期内土壤有机污染物内的迁移量以及转化量，具体包括：
获取连续观察周期内用户端输入的输入数据；
基于所述输入数据识别得到土壤有机污染物的迁移量，其中，基于动态的化学迁移因子结合所述输入数据获取所述化学迁移量，以及基于动态的机械迁移因子结合所述输入数据获取所述机械迁移量；
基于所述输入数据识别转化因子得到生物以及化学转化量以及所述土壤转化量。
本方案中，所述基于动态的化学迁移因子结合所述输入数据获取所述化学迁移量，具体包括：
基于所述输入数据匹配预设的化学迁移因子数据库以动态识别到目标化学迁移因子，其中，匹配方式包括密钥匹配；
基于所述目标化学迁移因子识别所述输入数据中的迁移量数据得到所述化学迁移量，其中，识别方式包括属性识别，所述化学迁移量包括土壤有机污染物通过氧化、还原化学行为进入水体、空气的迁移量。
本方案中，所述基于动态的机械迁移因子结合所述输入数据获取所述机械迁移量，具体包括：
基于所述输入数据匹配预设的机械迁移因子数据库以动态识别到目标机械迁移因子，其中，匹配方式包括密钥匹配；
基于所述目标机械迁移因子识别所述输入数据中的迁移量数据得到所述机械迁移量，其中，识别方式包括属性识别。
本方案中，所述基于所述迁移量以及所述转化量结合所述观察周期进行数据排序以剔除误差数据完成数据修正，具体包括：
基于数据排序后的结果识别所述误差数据，其中，
计算相邻所述观察周期之间的误差值，其中，若所述误差值超过了预设的误差限值，则表明当前输入数据存在测量误差；以及
基于所述测量误差进行数据自检以得到所述输入误差，其中，自检方式包括结合相邻所述观察周期输入数据进行比较数据超限值。
本方案中，所述预测卷积神经网络模型的训练方法为：
获取历史预测数据的迁移量和转化量与迁移转化真实结果；
将所述历史检测数据的迁移量和转化量进行预处理，得到训练样本集；
将所述训练样本集输入至初始化的所述检测神经网络模型中训练；
获取输出结果的准确率；
若所述准确率大于预设的准确率阈值，则停止训练，得到所述预测卷积神经网络模型。
本发明第二方面还提供一种土壤有机污染物的迁移及转化预测系统，包括存储器和处理器，所述存储器中包括土壤有机污染物的迁移及转化预测方法程序，所述土壤有机污染物的迁移及转化预测方法程序被所述处理器执行时实现如下步骤：
获取观察周期内土壤有机污染物内的迁移量以及转化量，其中，所述迁移量包括化学迁移量以及机械迁移量，所述转化量包括土壤转化量；
基于所述迁移量以及所述转化量结合所述观察周期进行数据排序以剔除误差数据完成数据修正，其中，所述误差数据包括测量误差以及输入误差；
将经过数据修正后的所述迁移量以及所述转化量输入至训练好的预测卷积神经网络模型中得到模型输出，基于所述模型输出生成迁移转化预测结果。
本方案中，所述获取观察周期内土壤有机污染物内的迁移量以及转化量，具体包括：
获取连续观察周期内用户端输入的输入数据；
基于所述输入数据识别得到土壤有机污染物的迁移量，其中，基于动态的化学迁移因子结合所述输入数据获取所述化学迁移量，以及基于动态的机械迁移因子结合所述输入数据获取所述机械迁移量；
基于所述输入数据识别转化因子得到生物以及化学转化量以及所述土壤转化量。
本方案中，所述基于动态的化学迁移因子结合所述输入数据获取所述化学迁移量，具体包括：
基于所述输入数据匹配预设的化学迁移因子数据库以动态识别到目标化学迁移因子，其中，匹配方式包括密钥匹配；
基于所述目标化学迁移因子识别所述输入数据中的迁移量数据得到所述化学迁移量，其中，识别方式包括属性识别，所述化学迁移量包括土壤有机污染物通过氧化、还原化学行为进入水体、空气的迁移量。
本方案中，所述基于动态的机械迁移因子结合所述输入数据获取所述机械迁移量，具体包括：
基于所述输入数据匹配预设的机械迁移因子数据库以动态识别到目标机械迁移因子，其中，匹配方式包括密钥匹配；
基于所述目标机械迁移因子识别所述输入数据中的迁移量数据得到所述机械迁移量，其中，识别方式包括属性识别。
本方案中，所述基于所述迁移量以及所述转化量结合所述观察周期进行数据排序以剔除误差数据完成数据修正，具体包括：
基于数据排序后的结果识别所述误差数据，其中，
计算相邻所述观察周期之间的误差值，其中，若所述误差值超过了预设的误差限值，则表明当前输入数据存在测量误差；以及
基于所述测量误差进行数据自检以得到所述输入误差，其中，自检方式包括结合相邻所述观察周期输入数据进行比较数据超限值。
本方案中，所述预测卷积神经网络模型的训练方法为：
获取历史预测数据的迁移量和转化量与迁移转化真实结果；
将所述历史检测数据的迁移量和转化量进行预处理，得到训练样本集；
将所述训练样本集输入至初始化的所述检测神经网络模型中训练；
获取输出结果的准确率；
若所述准确率大于预设的准确率阈值，则停止训练，得到所述预测卷积神经网络模型。
本发明第三方面提供了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机器的一种土壤有机污染物的迁移及转化预测方法程序，所述土壤有机污染物的迁移及转化预测方法程序被处理器执行时，实现如上述任一项所述的一种土壤有机污染物的迁移及转化预测方法的步骤。
本发明公开的一种土壤有机污染物的迁移及转化预测方法、系统和存储介质，可以利用神经网络模型对土壤有机污染物的迁移量以及转化量进行预测，并且在预测前对数据进行修正误差，以此可以保障预测数据的准确以及提高预测的速率。
附图说明
图1示出了本发明一种土壤有机污染物的迁移及转化预测方法的流程图；
图2示出了本发明一种土壤有机污染物的迁移及转化预测系统的框图。
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示出了本申请一种土壤有机污染物的迁移及转化预测方法的流程图。
如图1所示，本申请公开了一种土壤有机污染物的迁移及转化预测方法，包括以下步骤：
S102，获取观察周期内土壤有机污染物内的迁移量以及转化量，其中，所述迁移量包括化学迁移量以及机械迁移量，所述转化量包括土壤转化量；
S104，基于所述迁移量以及所述转化量结合所述观察周期进行数据排序以剔除误差数据完成数据修正，其中，所述误差数据包括测量误差以及输入误差；
S106，将经过数据修正后的所述迁移量以及所述转化量输入至训练好的预测卷积神经网络模型中得到模型输出，基于所述模型输出生成迁移转化预测结果。
需要说明的是，于本实施例中，用户会在每个观察周期内获取对应土壤有机污染物内的迁移量以及转化量，因此可以获取用户输入的连续观察周期内土壤有机物的迁移量以及转化量，然而在利用迁移量以及转化量进行预测时，需要先确保数据本身没有误差，因此需要进行剔除误差数据处理，具体地，基于所述迁移量以及所述转化量结合所述观察周期进行数据排序，以基于排序结果剔除误差数据从而完成数据修正，相应地，剔除的误差数据包括测量误差以及输入误差，其中，测量误差是测量装置测量时出现的误差数据，输入误差是用户输入时手动输入时的误差数据，在误差数据经过剔除后，将修正后的所述迁移量以及所述转化量输入至训练好的预测卷积神经网络模型中得到模型输出，从而基于所述模型输出生成迁移转化预测结果。
根据本发明实施例，所述获取观察周期内土壤有机污染物内的迁移量以及转化量，具体包括：
获取连续观察周期内用户端输入的输入数据；
基于所述输入数据识别得到土壤有机污染物的迁移量，其中，基于动态的化学迁移因子结合所述输入数据获取所述化学迁移量，以及基于动态的机械迁移因子结合所述输入数据获取所述机械迁移量；
基于所述输入数据识别转化因子得到生物以及化学转化量以及所述土壤转化量。
需要说明的是，于本实施例中，在连续观察周期内，用户会输入对应的土壤有机污染物测量数据，因此，可以获取连续观察周期内用户端输入的所述输入数据，从而可以基于所述输入数据识别得到土壤有机污染物的迁移量，具体地，由于不同的输入数据对应的迁移因子存在不同，因此可以基于动态的化学迁移因子结合所述输入数据获取所述化学迁移量，以及基于动态的机械迁移因子结合所述输入数据获取所述机械迁移量，进一步地，对于转化量而言，即可以通过识别转化因子得到生物以及化学转化量以及所述土壤转化量。
根据本发明实施例，所述基于动态的化学迁移因子结合所述输入数据获取所述化学迁移量，具体包括：
基于所述输入数据匹配预设的化学迁移因子数据库以动态识别到目标化学迁移因子，其中，匹配方式包括密钥匹配；
基于所述目标化学迁移因子识别所述输入数据中的迁移量数据得到所述化学迁移量，其中，识别方式包括属性识别，所述化学迁移量包括土壤有机污染物通过氧化、还原化学行为进入水体、空气的迁移量。
需要说明的是，上述实施例中说明化学迁移因子以及机械迁移因子是动态的，因此于本实施例中，说明了如何基于动态的化学迁移因子结合所述输入数据获取所述化学迁移量，其中，基于所述输入数据匹配预设的化学迁移因子数据库以动态识别到目标化学迁移因子，其中，匹配方式包括密钥匹配，基于所述目标化学迁移因子识别所述输入数据中的迁移量数据得到所述化学迁移量，其中，识别方式包括属性识别，所述化学迁移量包括土壤有机污染物通过氧化、还原化学行为进入水体、空气的迁移量。
根据本发明实施例，所述基于动态的机械迁移因子结合所述输入数据获取所述机械迁移量，具体包括：
基于所述输入数据匹配预设的机械迁移因子数据库以动态识别到目标机械迁移因子，其中，匹配方式包括密钥匹配；
基于所述目标机械迁移因子识别所述输入数据中的迁移量数据得到所述机械迁移量，其中，识别方式包括属性识别。
需要说明的是，上述实施例中说明化学迁移因子以及机械迁移因子是动态的，因此于本实施例中，说明了如何基于动态的机械迁移因子结合所述输入数据获取所述机械迁移量，其中，基于所述输入数据匹配预设的机械迁移因子数据库以动态识别到目标机械迁移因子，其中，匹配方式包括密钥匹配，基于所述目标机械迁移因子识别所述输入数据中的迁移量数据得到所述机械迁移量，其中，识别方式包括属性识别。
根据本发明实施例，所述基于所述迁移量以及所述转化量结合所述观察周期进行数据排序以剔除误差数据完成数据修正，具体包括：
基于数据排序后的结果识别所述误差数据，其中，
计算相邻所述观察周期之间的误差值，其中，若所述误差值超过了预设的误差限值，则表明当前输入数据存在测量误差；以及
基于所述测量误差进行数据自检以得到所述输入误差，其中，自检方式包括结合相邻所述观察周期输入数据进行比较数据超限值。
需要说明的是，上述实施例中说明可以基于所述迁移量以及所述转化量结合所述观察周期进行数据排序，因此于本实施例中，可以基于数据排序后的结果识别所述误差数据，具体地，计算相邻所述观察周期之间的误差值，其中，若所述误差值超过了预设的误差限值，则表明当前输入数据存在测量误差；以及基于所述测量误差进行数据自检以得到所述输入误差，其中，自检方式包括结合相邻所述观察周期输入数据进行比较数据超限值。
根据本发明实施例，所述预测卷积神经网络模型的训练方法为：
获取历史预测数据的迁移量和转化量与迁移转化真实结果；
将所述历史检测数据的迁移量和转化量进行预处理，得到训练样本集；
将所述训练样本集输入至初始化的所述检测神经网络模型中训练；
获取输出结果的准确率；
若所述准确率大于预设的准确率阈值，则停止训练，得到所述预测卷积神经网络模型。
需要说明的是，于本实施例中，所述预测卷积神经网络模型需要大量的历史数据进行训练，数据量越大，则结果越准确，本申请中的所述预测卷积神经网络模型可以通过历史检测数据的土壤迁移量以及转化量作为输入进行训练，当然，在进行神经网络模型训练时，不仅要通过历史检测数据的迁移量以及转化量进行训练，还需要结合确定的迁移转化真实结果进行训练，通过大量试验数据与真实数据比对，得到的结果也会更加准确，进而使得预测卷积神经网络的输出结果更加准确。优选地，所述准确率阈值一般设置为90％。
值得一提的是，密钥匹配的方式包括：
基于所述输入数据进行密钥匹配，其中，
基于所述输入数据的输入密钥遍历所述化学迁移因子数据库和/或机械迁移因子数据库；
将匹配成功的因子作为所述目标化学迁移因子和/或所述目标机械迁移因子。
需要说明的是，上述实施例中说明了在基于输入数据匹配迁移因子数据库时可以通过密钥匹配，而于本实施例中，具体地，基于所述输入数据的输入密钥遍历所述化学迁移因子数据库和/或机械迁移因子数据库；将匹配成功的因子作为所述目标化学迁移因子和/或所述目标机械迁移因子。
根据本发明实施例，还包括：
基于预设收集装置，获取观察周期内的空气环境信息；
根据观察周期内的空气环境信息，得到对应空气环境中有机污染物的含量比例值；
判断所述空气环境中有机污染物的含量比例值是否在预设第一比例范围，若是，根据空气环境中有机污染物的含量比例值对土壤有机污染物的迁移转化预测结果进行修订。
需要说明的是，通过预设收集装置收集观察周期内的空气环境信息，其中当对应空气环境中有机污染物的含量比例值大于预设第一比例范围时，说明对应空气环境中的有机污染物对土壤有机污染物造成影响，所述预设第一比例范围由本领域技术人员根据实际需求进行设置。
根据本发明实施例，所述根据空气环境中有机污染物的含量比例值对土壤有机污染物的迁移转化预测结果进行修订的步骤，具体包括：
基于空气环境中有机污染物的含量比例值落入的预设比例范围，得到空气环境中有机污染物对土壤有机污染物含量的影响系数；
获取土壤有机污染物的含量值；
根据土壤有机污染物的含量值、空气环境中有机污染物的含量比例值和空气环境中有机污染物对土壤有机污染物含量的影响系数，得到土壤有机污染物的迁移转化预测结果进行修订值。
需要说明的是，将土壤有机污染物的迁移转化预测结果中有机污染物的预测迁移量和预测转化量分别设为Pi-1和Pi-2，其公式为Pi-1＝(Bi+Ai*ai)*bi；Pi-2＝(Bi+Ai*ai)*ki，其中Bi表示土壤有机污染物的含量值，Ai表示空气环境中有机污染物的含量比例值，ai表示空气环境中有机污染物对土壤有机污染物含量的影响系数，b表示土壤有机污染物的迁移比例系数，ki表示土壤有机污染物的转化比例系数，i表示有机污染物的种类。
根据本发明实施例，所述模型输出生成迁移转化预测结果之后，还包括：
提取模型输出生成迁移转化预测结果中有机污染物的预测迁移量和预测转化量；
判断所述模型输出生成迁移转化预测结果中有机污染物的预测迁移量是否大于预设迁移量阈值，若是，触发迁移量警示信息；
提取模型输出生成迁移转化预测结果中有机污染物的预测转化量信息；
判断模型输出生成迁移转化预测结果中有机污染物的预测转化量是否存在预设二次污染物，若是，提取对应二次污染物的比例值；
判断所述二次污染物的比例值是否大于预设第二比例阈值，若是，触发二次污染物警示信息；
将警示信息发送至预设管理端以进行显示。
需要说明的是，所述警示信息中包含迁移量警示信息和二次污染物警示信息，当模型输出生成迁移转化预测结果中有机污染物的预测迁移量大于预设迁移量阈值时，说明对应土壤有机污染物对周围的影响比较大，触发迁移量警示信息；所述二次污染物中包含原型化合物的不完全降解产物等有害污染物，比如多环芳烃的不完全降解产物羟基多环芳烃、硝基多环芳烃等，其中当二次污染物的比例值大于预设第二比例阈值时，对周围土壤或水源等会造成影响，因此触发二次污染物警示信息，所述预设迁移量阈值、预设第二比例阈值均由本领域技术人员根据实际需求进行设置。
图2示出了本发明一种土壤有机污染物的迁移及转化预测系统的框图。
如图2所示，本发明公开了一种土壤有机污染物的迁移及转化预测系统，包括存储器和处理器，所述存储器中包括土壤有机污染物的迁移及转化预测方法程序，所述土壤有机污染物的迁移及转化预测方法程序被所述处理器执行时实现如下步骤：
获取观察周期内土壤有机污染物内的迁移量以及转化量，其中，所述迁移量包括化学迁移量以及机械迁移量，所述转化量包括土壤转化量；
基于所述迁移量以及所述转化量结合所述观察周期进行数据排序以剔除误差数据完成数据修正，其中，所述误差数据包括测量误差以及输入误差；
将经过数据修正后的所述迁移量以及所述转化量输入至训练好的预测卷积神经网络模型中得到模型输出，基于所述模型输出生成迁移转化预测结果。
需要说明的是，于本实施例中，用户会在每个观察周期内获取对应土壤有机污染物内的迁移量以及转化量，因此可以获取用户输入的连续观察周期内土壤有机物的迁移量以及转化量，然而在利用迁移量以及转化量进行预测时，需要先确保数据本身没有误差，因此需要进行剔除误差数据处理，具体地，基于所述迁移量以及所述转化量结合所述观察周期进行数据排序，以基于排序结果剔除误差数据从而完成数据修正，相应地，剔除的误差数据包括测量误差以及输入误差，其中，测量误差是测量装置测量时出现的误差数据，输入误差是用户输入时手动输入时的误差数据，在误差数据经过剔除后，将修正后的所述迁移量以及所述转化量输入至训练好的预测卷积神经网络模型中得到模型输出，从而基于所述模型输出生成迁移转化预测结果。
根据本发明实施例，所述获取观察周期内土壤有机污染物内的迁移量以及转化量，具体包括：
获取连续观察周期内用户端输入的输入数据；
基于所述输入数据识别得到土壤有机污染物的迁移量，其中，基于动态的化学迁移因子结合所述输入数据获取所述化学迁移量，以及基于动态的机械迁移因子结合所述输入数据获取所述机械迁移量；
基于所述输入数据识别转化因子得到生物以及化学转化量以及所述土壤转化量。
需要说明的是，于本实施例中，在连续观察周期内，用户会输入对应的土壤有机污染物测量数据，因此，可以获取连续观察周期内用户端输入的所述输入数据，从而可以基于所述输入数据识别得到土壤有机污染物的迁移量，具体地，由于不同的输入数据对应的迁移因子存在不同，因此可以基于动态的化学迁移因子结合所述输入数据获取所述化学迁移量，以及基于动态的机械迁移因子结合所述输入数据获取所述机械迁移量，进一步地，对于转化量而言，即可以通过识别转化因子得到生物以及化学转化量以及所述土壤转化量。
根据本发明实施例，所述基于动态的化学迁移因子结合所述输入数据获取所述化学迁移量，具体包括：
基于所述输入数据匹配预设的化学迁移因子数据库以动态识别到目标化学迁移因子，其中，匹配方式包括密钥匹配；
基于所述目标化学迁移因子识别所述输入数据中的迁移量数据得到所述化学迁移量，其中，识别方式包括属性识别，所述化学迁移量包括土壤有机污染物通过氧化、还原化学行为进入水体、空气的迁移量。
需要说明的是，上述实施例中说明化学迁移因子以及机械迁移因子是动态的，因此于本实施例中，说明了如何基于动态的化学迁移因子结合所述输入数据获取所述化学迁移量，其中，基于所述输入数据匹配预设的化学迁移因子数据库以动态识别到目标化学迁移因子，其中，匹配方式包括密钥匹配，基于所述目标化学迁移因子识别所述输入数据中的迁移量数据得到所述化学迁移量，其中，识别方式包括属性识别，所述化学迁移量包括土壤有机污染物通过氧化、还原化学行为进入水体、空气的迁移量。
根据本发明实施例，所述基于动态的机械迁移因子结合所述输入数据获取所述机械迁移量，具体包括：
基于所述输入数据匹配预设的机械迁移因子数据库以动态识别到目标机械迁移因子，其中，匹配方式包括密钥匹配；
基于所述目标机械迁移因子识别所述输入数据中的迁移量数据得到所述机械迁移量，其中，识别方式包括属性识别。
需要说明的是，上述实施例中说明化学迁移因子以及机械迁移因子是动态的，因此于本实施例中，说明了如何基于动态的机械迁移因子结合所述输入数据获取所述机械迁移量，其中，基于所述输入数据匹配预设的机械迁移因子数据库以动态识别到目标机械迁移因子，其中，匹配方式包括密钥匹配，基于所述目标机械迁移因子识别所述输入数据中的迁移量数据得到所述机械迁移量，其中，识别方式包括属性识别。
根据本发明实施例，所述基于所述迁移量以及所述转化量结合所述观察周期进行数据排序以剔除误差数据完成数据修正，具体包括：
基于数据排序后的结果识别所述误差数据，其中，
计算相邻所述观察周期之间的误差值，其中，若所述误差值超过了预设的误差限值，则表明当前输入数据存在测量误差；以及
基于所述测量误差进行数据自检以得到所述输入误差，其中，自检方式包括结合相邻所述观察周期输入数据进行比较数据超限值。
需要说明的是，上述实施例中说明可以基于所述迁移量以及所述转化量结合所述观察周期进行数据排序，因此于本实施例中，可以基于数据排序后的结果识别所述误差数据，具体地，计算相邻所述观察周期之间的误差值，其中，若所述误差值超过了预设的误差限值，则表明当前输入数据存在测量误差；以及基于所述测量误差进行数据自检以得到所述输入误差，其中，自检方式包括结合相邻所述观察周期输入数据进行比较数据超限值。
根据本发明实施例，所述预测卷积神经网络模型的训练方法为：
获取历史预测数据的迁移量和转化量与迁移转化真实结果；
将所述历史检测数据的迁移量和转化量进行预处理，得到训练样本集；
将所述训练样本集输入至初始化的所述检测神经网络模型中训练；
获取输出结果的准确率；
若所述准确率大于预设的准确率阈值，则停止训练，得到所述预测卷积神经网络模型。
需要说明的是，于本实施例中，所述预测卷积神经网络模型需要大量的历史数据进行训练，数据量越大，则结果越准确，本申请中的所述预测卷积神经网络模型可以通过历史检测数据的土壤迁移量以及转化量作为输入进行训练，当然，在进行神经网络模型训练时，不仅要通过历史检测数据的迁移量以及转化量进行训练，还需要结合确定的迁移转化真实结果进行训练，通过大量试验数据与真实数据比对，得到的结果也会更加准确，进而使得预测卷积神经网络的输出结果更加准确。优选地，所述准确率阈值一般设置为90％。
值得一提的是，密钥匹配的方式包括：
基于所述输入数据进行密钥匹配，其中，
基于所述输入数据的输入密钥遍历所述化学迁移因子数据库和/或机械迁移因子数据库；
将匹配成功的因子作为所述目标化学迁移因子和/或所述目标机械迁移因子。
需要说明的是，上述实施例中说明了在基于输入数据匹配迁移因子数据库时可以通过密钥匹配，而于本实施例中，具体地，基于所述输入数据的输入密钥遍历所述化学迁移因子数据库和/或机械迁移因子数据库；将匹配成功的因子作为所述目标化学迁移因子和/或所述目标机械迁移因子。
根据本发明实施例，还包括：
基于预设收集装置，获取观察周期内的空气环境信息；
根据观察周期内的空气环境信息，得到对应空气环境中有机污染物的含量比例值；
判断所述空气环境中有机污染物的含量比例值是否在预设第一比例范围，若是，根据空气环境中有机污染物的含量比例值对土壤有机污染物的迁移转化预测结果进行修订。
需要说明的是，通过预设收集装置收集观察周期内的空气环境信息，其中当对应空气环境中有机污染物的含量比例值大于预设第一比例范围时，说明对应空气环境中的有机污染物对土壤有机污染物造成影响，所述预设第一比例范围由本领域技术人员根据实际需求进行设置。
根据本发明实施例，所述根据空气环境中有机污染物的含量比例值对土壤有机污染物的迁移转化预测结果进行修订的步骤，具体包括：
基于空气环境中有机污染物的含量比例值落入的预设比例范围，得到空气环境中有机污染物对土壤有机污染物含量的影响系数；
获取土壤有机污染物的含量值；
根据土壤有机污染物的含量值、空气环境中有机污染物的含量比例值和空气环境中有机污染物对土壤有机污染物含量的影响系数，得到土壤有机污染物的迁移转化预测结果进行修订值。
需要说明的是，将土壤有机污染物的迁移转化预测结果中有机污染物的预测迁移量和预测转化量分别设为Pi-1和Pi-2，其公式为Pi-1＝(Bi+Ai*ai)*bi；Pi-2＝(Bi+Ai*ai)*ki，其中Bi表示土壤有机污染物的含量值，Ai表示空气环境中有机污染物的含量比例值，ai表示空气环境中有机污染物对土壤有机污染物含量的影响系数，b表示土壤有机污染物的迁移比例系数，ki表示土壤有机污染物的转化比例系数，i表示有机污染物的种类。
根据本发明实施例，所述模型输出生成迁移转化预测结果之后，还包括：
提取模型输出生成迁移转化预测结果中有机污染物的预测迁移量和预测转化量；
判断所述模型输出生成迁移转化预测结果中有机污染物的预测迁移量是否大于预设迁移量阈值，若是，触发迁移量警示信息；
提取模型输出生成迁移转化预测结果中有机污染物的预测转化量信息；
判断模型输出生成迁移转化预测结果中有机污染物的预测转化量是否存在预设二次污染物，若是，提取对应二次污染物的比例值；
判断所述二次污染物的比例值是否大于预设第二比例阈值，若是，触发二次污染物警示信息；
将警示信息发送至预设管理端以进行显示。
需要说明的是，所述警示信息中包含迁移量警示信息和二次污染物警示信息，当模型输出生成迁移转化预测结果中有机污染物的预测迁移量大于预设迁移量阈值时，说明对应土壤有机污染物对周围的影响比较大，触发迁移量警示信息；所述二次污染物中包含原型化合物的不完全降解产物等有害污染物，比如多环芳烃的不完全降解产物羟基多环芳烃、硝基多环芳烃等，其中当二次污染物的比例值大于预设第二比例阈值时，对周围土壤或水源等会造成影响，因此触发二次污染物警示信息，所述预设迁移量阈值、预设第二比例阈值均由本领域技术人员根据实际需求进行设置。
本发明第三方面提供了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一种土壤有机污染物的迁移及转化预测方法程序，所述土壤有机污染物的迁移及转化预测方法程序被处理器执行时，实现如上述任一项所述的一种土壤有机污染物的迁移及转化预测方法的步骤。
本发明公开的一种土壤有机污染物的迁移及转化预测方法、系统和存储介质，可以利用神经网络模型对土壤有机污染物的迁移量以及转化量进行预测，并且在预测前对数据进行修正误差，以此可以保障预测数据的准确以及提高预测的速率。
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-On ly 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。

Claims (10)

1.一种土壤有机污染物的迁移及转化预测方法，其特征在于，包括以下步骤：
获取观察周期内土壤有机污染物内的迁移量以及转化量，其中，所述迁移量包括化学迁移量以及机械迁移量，所述转化量包括土壤转化量；
基于所述迁移量以及所述转化量结合所述观察周期进行数据排序以剔除误差数据完成数据修正，其中，所述误差数据包括测量误差以及输入误差；
将经过数据修正后的所述迁移量以及所述转化量输入至训练好的预测卷积神经网络模型中得到模型输出，基于所述模型输出生成迁移转化预测结果。
2.根据权利要求1所述的一种土壤有机污染物的迁移及转化预测方法，其特征在于，所述获取观察周期内土壤有机污染物内的迁移量以及转化量，具体包括：
获取连续观察周期内用户端输入的输入数据；
基于所述输入数据识别得到土壤有机污染物的迁移量，其中，基于动态的化学迁移因子结合所述输入数据获取所述化学迁移量，以及基于动态的机械迁移因子结合所述输入数据获取所述机械迁移量；
基于所述输入数据识别转化因子得到生物以及化学转化量以及所述土壤转化量。
3.根据权利要求2所述的一种土壤有机污染物的迁移及转化预测方法，其特征在于，所述基于动态的化学迁移因子结合所述输入数据获取所述化学迁移量，具体包括：
基于所述输入数据匹配预设的化学迁移因子数据库以动态识别到目标化学迁移因子，其中，匹配方式包括密钥匹配；
基于所述目标化学迁移因子识别所述输入数据中的迁移量数据得到所述化学迁移量，其中，识别方式包括属性识别，所述化学迁移量包括土壤有机污染物通过氧化、还原化学行为进入水体、空气的迁移量。
4.根据权利要求2所述的一种土壤有机污染物的迁移及转化预测方法，其特征在于，所述基于动态的机械迁移因子结合所述输入数据获取所述机械迁移量，具体包括：
基于所述输入数据匹配预设的机械迁移因子数据库以动态识别到目标机械迁移因子，其中，匹配方式包括密钥匹配；
基于所述目标机械迁移因子识别所述输入数据中的迁移量数据得到所述机械迁移量，其中，识别方式包括属性识别。
5.根据权利要求2所述的一种土壤有机污染物的迁移及转化预测方法，其特征在于，所述基于所述迁移量以及所述转化量结合所述观察周期进行数据排序以剔除误差数据完成数据修正，具体包括：
基于数据排序后的结果识别所述误差数据，其中，
计算相邻所述观察周期之间的误差值，其中，若所述误差值超过了预设的误差限值，则表明当前输入数据存在测量误差；以及
基于所述测量误差进行数据自检以得到所述输入误差，其中，自检方式包括结合相邻所述观察周期输入数据进行比较数据超限值。
6.根据权利要求1所述的一种土壤有机污染物的迁移及转化预测方法，其特征在于，所述预测卷积神经网络模型的训练方法为：
获取历史预测数据的迁移量和转化量与迁移转化真实结果；
将所述历史检测数据的迁移量和转化量进行预处理，得到训练样本集；
将所述训练样本集输入至初始化的所述检测神经网络模型中训练；
获取输出结果的准确率；
若所述准确率大于预设的准确率阈值，则停止训练，得到所述预测卷积神经网络模型。
7.一种土壤有机污染物的迁移及转化预测系统，其特征在于，包括存储器和处理器，所述存储器中包括土壤有机污染物的迁移及转化预测方法程序，所述土壤有机污染物的迁移及转化预测方法程序被所述处理器执行时实现如下步骤：
获取观察周期内土壤有机污染物内的迁移量以及转化量，其中，所述迁移量包括化学迁移量以及机械迁移量，所述转化量包括土壤转化量；
基于所述迁移量以及所述转化量结合所述观察周期进行数据排序以剔除误差数据完成数据修正，其中，所述误差数据包括测量误差以及输入误差；
将经过数据修正后的所述迁移量以及所述转化量输入至训练好的预测卷积神经网络模型中得到模型输出，基于所述模型输出生成迁移转化预测结果。
8.根据权利要求7所述的一种土壤有机污染物的迁移及转化预测系统，其特征在于，所述获取观察周期内土壤有机污染物内的迁移量以及转化量，具体包括：
获取连续观察周期内用户端输入的输入数据；
基于所述输入数据识别得到土壤有机污染物的迁移量，其中，基于动态的化学迁移因子结合所述输入数据获取所述化学迁移量，以及基于动态的机械迁移因子结合所述输入数据获取所述机械迁移量；
基于所述输入数据识别转化因子得到生物以及化学转化量以及所述土壤转化量。
9.根据权利要求8所述的一种土壤有机污染物的迁移及转化预测系统，其特征在于，所述基于动态的化学迁移因子结合所述输入数据获取所述化学迁移量，具体包括：
基于所述输入数据匹配预设的化学迁移因子数据库以动态识别到目标化学迁移因子，其中，匹配方式包括密钥匹配；
基于所述目标化学迁移因子识别所述输入数据中的迁移量数据得到所述化学迁移量，其中，识别方式包括属性识别，所述化学迁移量包括土壤有机污染物通过氧化、还原化学行为进入水体、空气的迁移量。
10.一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一种土壤有机污染物的迁移及转化预测方法程序，所述土壤有机污染物的迁移及转化预测方法程序被处理器执行时，实现如权利要求1至6中任一项所述的一种土壤有机污染物的迁移及转化预测方法的步骤。
CN202310576015.1A 2023-05-19 2023-05-19 土壤有机污染物的迁移及转化预测方法、系统和存储介质 Active CN116579486B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310576015.1A CN116579486B (zh) 2023-05-19 2023-05-19 土壤有机污染物的迁移及转化预测方法、系统和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310576015.1A CN116579486B (zh) 2023-05-19 2023-05-19 土壤有机污染物的迁移及转化预测方法、系统和存储介质

Publications (2)

Publication Number Publication Date
CN116579486A true CN116579486A (zh) 2023-08-11
CN116579486B CN116579486B (zh) 2024-03-22

Family

ID=87537344

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310576015.1A Active CN116579486B (zh) 2023-05-19 2023-05-19 土壤有机污染物的迁移及转化预测方法、系统和存储介质

Country Status (1)

Country Link
CN (1) CN116579486B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090222217A1 (en) * 2008-02-29 2009-09-03 Amsted Industries Inc. Method of calculating environment risk of a chemical in soil
KR20140125056A (ko) * 2013-04-18 2014-10-28 그린에코스 주식회사 오염물질 거동 표준 모형 구축 방법
CN110794111A (zh) * 2019-12-18 2020-02-14 济南大学 一种分析地下水中氯代烃污染迁移转化规律的方法
CN114169794A (zh) * 2021-12-16 2022-03-11 生态环境部土壤与农业农村生态环境监管技术中心 污染可能性的评估方法、装置、计算机设备和存储介质
CN116090219A (zh) * 2023-01-13 2023-05-09 中国矿业大学 一种矿区流域污染物迁移的gis风险管控系统及方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090222217A1 (en) * 2008-02-29 2009-09-03 Amsted Industries Inc. Method of calculating environment risk of a chemical in soil
KR20140125056A (ko) * 2013-04-18 2014-10-28 그린에코스 주식회사 오염물질 거동 표준 모형 구축 방법
CN110794111A (zh) * 2019-12-18 2020-02-14 济南大学 一种分析地下水中氯代烃污染迁移转化规律的方法
CN114169794A (zh) * 2021-12-16 2022-03-11 生态环境部土壤与农业农村生态环境监管技术中心 污染可能性的评估方法、装置、计算机设备和存储介质
CN116090219A (zh) * 2023-01-13 2023-05-09 中国矿业大学 一种矿区流域污染物迁移的gis风险管控系统及方法

Also Published As

Publication number Publication date
CN116579486B (zh) 2024-03-22

Similar Documents

Publication Publication Date Title
Li et al. Sustainable decision-making for contaminated site risk management: A decision tree model using machine learning algorithms
Marcer et al. Modelling invasive alien species distributions from digital biodiversity atlases. Model upscaling as a means of reconciling data at different scales
Mian et al. Drinking water quality assessment in distribution networks: A water footprint approach
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
CN116362572B (zh) 一种在产园区地下水污染分区分级评价方法
Hamed et al. On the performance of computational methods for the assessment of risk from ground‐water contamination
Kyere Environmental and health impacts of informal e-waste recycling in agbogbloshie, accra, ghana: recommendations for sustainable management
CN114184750A (zh) 地下水污染物的监控方法、装置、设备及存储介质
CN116579486B (zh) 土壤有机污染物的迁移及转化预测方法、系统和存储介质
CN117172996B (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
Davis et al. Ground water monitoring statistics update: Part I: Progress since 1988
Pozza et al. A meta-analysis of published semivariograms to determine sample size requirements for assessment of heavy metal concentrations at contaminated sites
Gilbert 27 An overview of statistical issues related to environmental cleanup
CN114819880B (zh) 一种用于土壤修复和数字化管理的方法和系统
CN117171675B (zh) 基于多源数据的水环境微生物检测方法、系统及介质
Shrader-Frechette Uncertainty analysis, nuclear waste, and million-year predictions
Whelan et al. A risk-based approach for a national assessment
Henriksen et al. Evaluating the cost‐effectiveness of new environmental technologies
KR20230072088A (ko) 인공지능기반 유해화학물질 오염영향 평가 시스템
Lee et al. A Preliminary Study on Evaluation of Time-Dependent Radionuclide Removal Performance Using Artificial Intelligence for Biological Adsorbents
Chowdhury et al. Expert systems for ground water management
Chang et al. 11 EnvironmentalStatistics
CN118229485A (zh) 一种基于arima模型的地下水健康风险预警方法和系统
Li et al. Understanding the driving mechanisms of site contamination in China through a data-driven approach
Gruiz Scientific and engineering ‘improvement’of environmental risk management

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