CN116629619A - 一种土壤新污染物赋存状况预测方法及系统 - Google Patents
一种土壤新污染物赋存状况预测方法及系统 Download PDFInfo
- Publication number
- CN116629619A CN116629619A CN202310914253.9A CN202310914253A CN116629619A CN 116629619 A CN116629619 A CN 116629619A CN 202310914253 A CN202310914253 A CN 202310914253A CN 116629619 A CN116629619 A CN 116629619A
- Authority
- CN
- China
- Prior art keywords
- new
- soil
- occurrence
- new pollutant
- acquiring
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 239000003802 soil pollutant Substances 0.000 title claims abstract description 10
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 236
- 231100000719 pollutant Toxicity 0.000 claims abstract description 236
- 239000002689 soil Substances 0.000 claims abstract description 136
- 238000012544 monitoring process Methods 0.000 claims abstract description 74
- 238000009826 distribution Methods 0.000 claims abstract description 70
- 238000013528 artificial neural network Methods 0.000 claims abstract description 20
- 239000000126 substance Substances 0.000 claims abstract description 20
- 230000007613 environmental effect Effects 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 50
- 230000008859 change Effects 0.000 claims description 44
- 238000013508 migration Methods 0.000 claims description 31
- 230000005012 migration Effects 0.000 claims description 31
- 244000005700 microbiome Species 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 23
- 238000011156 evaluation Methods 0.000 claims description 20
- 238000012216 screening Methods 0.000 claims description 17
- 239000000356 contaminant Substances 0.000 claims description 15
- 230000036541 health Effects 0.000 claims description 15
- 238000010586 diagram Methods 0.000 claims description 11
- 238000012502 risk assessment Methods 0.000 claims description 10
- 230000004931 aggregating effect Effects 0.000 claims description 9
- 230000007246 mechanism Effects 0.000 claims description 7
- 230000002776 aggregation Effects 0.000 claims description 6
- 238000004220 aggregation Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 238000003780 insertion Methods 0.000 claims description 4
- 230000037431 insertion Effects 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000007619 statistical method Methods 0.000 claims description 4
- 230000006399 behavior Effects 0.000 abstract description 3
- 238000003860 storage Methods 0.000 description 8
- 239000002957 persistent organic pollutant Substances 0.000 description 6
- 238000010276 construction Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000006378 damage Effects 0.000 description 3
- 230000001988 toxicity Effects 0.000 description 3
- 231100000419 toxicity Toxicity 0.000 description 3
- 229920000426 Microplastic Polymers 0.000 description 2
- 239000003242 anti bacterial agent Substances 0.000 description 2
- 229940088710 antibiotic agent Drugs 0.000 description 2
- 239000000598 endocrine disruptor Substances 0.000 description 2
- 231100000049 endocrine disruptor Toxicity 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000037406 food intake Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 231100000628 reference dose Toxicity 0.000 description 2
- 210000002345 respiratory system Anatomy 0.000 description 2
- 239000013626 chemical specie Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 238000001179 sorption measurement Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种土壤新污染物赋存状况预测方法及系统，获取预设区域内土壤监测单元的土壤监测数据，进行预处理后提取土壤理化性质及新污染物信息；生成预设区域内新污染物的历史赋存状况序列获取新污染物分布；根据预设区域内土壤监测单元及新污染物分布生成无向图，在图卷积神经网络中引入联邦学习算法构建新污染物赋存状况预测模型；生成新污染物赋存状况预测数据，更新新污染物分布，分析更新后新污染物分布的污染风险进行污染预警。本方法引入联邦学习算法提升了土壤新污染物赋存状况的预测精度，为土壤新污染物的溯源、环境行为及最终归趋提供依据，并为新污染物的风险管控提供数据支撑。
Description
技术领域
本发明涉及污染状况预测技术领域，更具体的，涉及一种土壤新污染物赋存状况预测方法及系统。
背景技术
随着人工合成化学品广泛进入市场,并成为生产生活各方面离不开的产品,许多具有毒性、环境污染持久、危害隐蔽等特征的新污染物持续释放到环境中,对人的健康和环境构成严重威胁。目前,化学品种类复杂、增长迅猛,给经济发展带来强劲动力,但同时也面临着化学品管理立法不完善而导致的新污染物治理缺乏制度支撑的问题。而现有污染治理方案着重与安全生产方面的管理以及对常规污染物的治理,对新污染物治理缺乏必要的关注,阻碍了新污染物治理工作的现实推进，导致新污染物治理问题已经成为不可忽视的瓶颈问题。
新污染物的危害具有隐蔽性、严峻性,其特点在于微量致害且治理成本高昂。有机污染物在土壤中的自由态、挥发态、溶解态和吸附态四种不同赋存状态决定着它在土壤中的迁移转化过程及其生态风险。而且，有污染物在土壤中的赋存形态受污染物的理化特征、土壤理化性质、环境条件等众多因素影响，四种不同赋存形态之间可随着以上因素变化而发生转化，掌握土壤中有机污染物的不同赋存形态含量对污染物治理存在重要意义，因此，如何通过联邦学习预测土壤中新污染物的赋存状况，根据其环境行为评估生态风险是亟需解决的问题。
发明内容
为了解决上述技术问题，本发明提出了一种土壤新污染物赋存状况预测方法及系统。
本发明第一方面提供了一种土壤新污染物赋存状况预测方法，包括：
获取预设区域内土壤监测单元的土壤监测数据，进行预处理后提取土壤理化性质及新污染物信息；
根据所述新污染物信息生成预设区域内新污染物的历史赋存状况序列，通过所述历史赋存状况序列生成新污染物分布；
根据预设区域内土壤监测单元及新污染物分布生成无向图，在图卷积神经网络中引入联邦学习算法进行聚合，通过迭代训练后构建新污染物赋存状况预测模型；
根据所述新污染物赋存状况预测模型生成新污染物赋存状况预测数据，更新所述新污染物分布，分析更新后新污染物分布的污染风险，根据所述污染风险进行污染预警。
本方案中，根据所述新污染物信息生成预设区域内新污染物的历史赋存状况序列，通过所述历史赋存状况序列生成新污染物分布，具体为：
获取土壤监测单元的在预设时间内的历史土壤监测数据，将所述历史土壤监测数据进行数据清洗及数据筛选，获取各土壤监测单元中新污染物的类别信息及历史赋存状况；
将所述历史赋存状况结合监测时间获取各土壤监测单元的新污染物历史赋存状况序列，并根据所述类别信息设置序列标签；
对预设区域进行格栅划分，获取预设区域的格栅地图，将土壤监测单元所在格栅区域赋予不同标记，提取标记格栅区域的土壤理化性质，计算不带标记的格栅区域与标记格栅区域的土壤理化性质的相似度；
预设距离范围约束，基于所述相似度将不带标记的格栅区域在距离范围约束内归于相似最高的标记区域，并利用标记区域的标记赋予相同标记，获取更新后的格栅地图；
利用新污染物历史赋存状况序列对格栅地图进行数据插入，获取预设区域的新污染物分布。
本方案中，根据预设区域内土壤监测单元及新污染物分布生成无向图，具体为：
获取预设区域中土壤监测单元构建无向图，根据所述新污染物分布将无向图划分为若干子图，将所述土壤监测单元作为各子图的节点，并获取各子图之间的关系作为边结构；
根据各节点之间的空间距离获取各子图的邻居矩阵。
本方案中，构建新污染物赋存状况预测模型，具体为：
基于联邦学习算法改进的图卷积神经网络构建新污染物赋存状况预测模型，在各节点中选取目标子图，将目标子图对应的新污染物历史赋存状况序列进行图表示；
在图表示中通过皮尔逊相关系数计算节点之间的相似度，构建各节点之间的相似度矩阵，结合所述相似度矩阵及邻居矩阵生成时空关联矩阵，根据节点、边结构及时空关联矩阵生成对应的时空图表示，构建对应的子模型；
引入多头自注意力机制，获取自注意力权重，在每个子模型的时空图中利用所述自注意力权重进行卷积，并将不同时间步的卷积结果进行聚合，并使用两层全连接层作为子模型的输出层，通过训练获取子模型的局部参数；
将各子模型的局部参数进行汇聚生成全局参数，聚合子模型的全局参数获取新污染物赋存状况预测模型。
本方案中，分析更新后新污染物分布的污染风险，根据所述污染风险进行污染预警，具体为：
获取更新后新污染物分布，根据所述更新后新污染分布生成赋存状况变化值，获取预测时间段内预设区域的气象特征，根据历史赋存状况序列中筛选相同气象特征的子序列；
根据所述子序列提取新污染物的历史赋存状况变化值，根据历史赋存状况变化值获取对应相邻格栅区域的迁移变化值，获取迁移变化值与历史赋存状况变化值的比值作为迁移因子；
将所述迁移因子与赋存状况变化值进行结合获取新污染物的迁移风险特征，并根据大数据方法获取不同暴露途径获取新污染物的暴露量，根据所述暴露量获取健康风险特征；
选取所述迁移风险特征，健康风险特征，赋存状况变化值及赋存状况作为评估指标，将所述评估指标进行数据化处理构建评估矩阵，并将所述评估矩阵进行归一化操作；
基于深度神经网络构建目标区域的污染风险评估模型，通过带有污染风险标签的训练数据进行训练，将归一化后的评估矩阵导入所述污染风险评估模型，通过输出层获取更新后新污染物分布的污染风险；
根据目标区域中的土地性质设置不同的污染风险阈值，当所述污染风险大于所述污染风险阈值时，则生成污染预警信息。
本方案中，还包括，根据污染预警信息获取预设区域内新污染物的治理措施，具体为：
获取目标区域带有预警信息标签的新污染物分布，在预警区域中提取预警信息标签中的新污染物类别及新污染物赋存状况，并获取预警区域中的环境特征、岩土性质及地理水文数据；
通过污染区域中的土地性质划分污染子区域，根据所述新污染物类别及新污染物赋存状况生成污染特征，根据各污染子区域的土地性质及污染特征利用大数据方法获取新污染物生物治理实例；
对所述新污染物生物治理实例进行统计分析，获取不同污染子区域中不同微生物及治理植物的使用频次生成权重信息，并根据治理效果进行筛选；
根据各污染子区域的环境特征、岩土性质及地理水文数据与筛选后不同微生物及治理植物的适生条件进行相似度计算，选取相似度大于预设相似度阈值的微生物及治理植物进行标记；
根据所述权重信息将标记的微生物及治理植物进行排序，选取预设数量的微生物及治理植物种类按照权重信息生成生物治理混配方案，作为不同污染子区域的治理措施。
本发明第二方面还提供了一种土壤新污染物赋存状况预测系统，该系统包括：存储器、处理器，所述存储器中包括土壤新污染物赋存状况预测方法程序，所述土壤新污染物赋存状况预测方法程序被所述处理器执行时实现如下步骤：
获取预设区域内土壤监测单元的土壤监测数据，进行预处理后提取土壤理化性质及新污染物信息；
根据所述新污染物信息生成预设区域内新污染物的历史赋存状况序列，通过所述历史赋存状况序列生成新污染物分布；
根据预设区域内土壤监测单元及新污染物分布生成无向图，在图卷积神经网络中引入联邦学习算法进行聚合，通过迭代训练后构建新污染物赋存状况预测模型；
根据所述新污染物赋存状况预测模型生成新污染物赋存状况预测数据，更新所述新污染物分布，分析更新后新污染物分布的污染风险，根据所述污染风险进行污染预警。
本发明公开了一种土壤新污染物赋存状况预测方法及系统，获取预设区域内土壤监测单元的土壤监测数据，进行预处理后提取土壤理化性质及新污染物信息；生成预设区域内新污染物的历史赋存状况序列获取新污染物分布；根据预设区域内土壤监测单元及新污染物分布生成无向图，在图卷积神经网络中引入联邦学习算法构建新污染物赋存状况预测模型；生成新污染物赋存状况预测数据，更新新污染物分布，分析更新后新污染物分布的污染风险进行污染预警。本方法引入联邦学习算法提升了土壤新污染物赋存状况的预测精度，为土壤新污染物的溯源、环境行为及最终归趋提供依据，并为新污染物的风险管控提供数据支撑。
附图说明
图1示出了本发明一种土壤新污染物赋存状况预测方法的流程图；
图2示出了本发明构建新污染物赋存状况预测模型的方法流程图；
图3示出了本发明根据污染风险进行污染预警的方法流程图；
图4示出了本发明一种土壤新污染物赋存状况预测系统的框图。
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示出了本发明一种土壤新污染物赋存状况预测方法的流程图。
如图1所示，本发明第一方面提供了一种土壤新污染物赋存状况预测方法，包括：
S102，获取预设区域内土壤监测单元的土壤监测数据，进行预处理后提取土壤理化性质及新污染物信息；
S104，根据所述新污染物信息生成预设区域内新污染物的历史赋存状况序列，通过所述历史赋存状况序列生成新污染物分布；
S106，根据预设区域内土壤监测单元及新污染物分布生成无向图，在图卷积神经网络中引入联邦学习算法进行聚合，通过迭代训练后构建新污染物赋存状况预测模型；
S108，根据所述新污染物赋存状况预测模型生成新污染物赋存状况预测数据，更新所述新污染物分布，分析更新后新污染物分布的污染风险，根据所述污染风险进行污染预警。
需要说明的是，常见的新污染物有持久性有机污染物、内分泌干扰物、抗生素、微塑料等，获取土壤监测单元在预设时间内的历史土壤监测数据，将所述历史土壤监测数据进行数据清洗及数据筛选等预处理，获取各土壤监测单元中新污染物的类别信息及历史赋存状况；将所述历史赋存状况结合监测时间获取各土壤监测单元的新污染物历史赋存状况序列，并根据所述类别信息设置序列标签；可以根据序列标签选取单一新污染物类别进行分析预测。
对预设区域进行格栅划分，获取预设区域的格栅地图，将土壤监测单元所在格栅区域赋予不同标记，提取标记格栅区域的土壤理化性质，计算不带标记的格栅区域与标记格栅区域的土壤理化性质的相似度；
预设距离范围约束，通常为以某一格栅区域为中心，预设距离为半径的圆形范围，基于所述相似度将不带标记的格栅区域在距离范围约束内归于相似最高的标记区域，并利用标记区域的标记赋予相同标记，获取更新后的格栅地图；利用新污染物历史赋存状况序列对格栅地图进行数据插入，获取预设区域的新污染物分布。
图2示出了本发明构建新污染物赋存状况预测模型的方法流程图。
根据本发明实施例，构建新污染物赋存状况预测模型，具体为：
S202，基于联邦学习算法改进的图卷积神经网络构建新污染物赋存状况预测模型，在各节点中选取目标子图，将目标子图对应的新污染物历史赋存状况序列进行图表示；
S204，在图表示中通过皮尔逊相关系数计算节点之间的相似度，构建各节点之间的相似度矩阵，结合所述相似度矩阵及邻居矩阵生成时空关联矩阵，根据节点、边结构及时空关联矩阵生成对应的时空图表示，构建对应的子模型；
S206，引入多头自注意力机制，获取自注意力权重，在每个子模型的时空图中利用所述自注意力权重进行卷积，并将不同时间步的卷积结果进行聚合，并使用两层全连接层作为子模型的输出层，通过训练获取子模型的局部参数；
S208，将各子模型的局部参数进行汇聚生成全局参数，聚合子模型的全局参数获取新污染物赋存状况预测模型。
需要说明的是，获取预设区域中土壤监测单元构建无向图 ，根据所述新污染物分布将无向图划分为若干子图，将所述土壤监测单元作为各子图的节点，/>为节点集合，并根据各土壤监测单元的对应的数据相似度获取各子图之间的关系作为边结构，/>为边结构集合；根据各节点之间的空间距离获取各子图的邻居矩阵/>。将目标子图对应的新污染物历史赋存状况序列进行图表示，获取n个连续的子图，根据节点、边结构及时空关联矩阵生成对应的时空图表示，时空图表示为/>，/>分别表示时空图中的节点集合和边结构集合，/>表示时空关联矩阵/>；其中，/>表示相似度矩阵，/>表示邻居矩阵。
为了学习时空关联的强度，每个子模型引入多头自注意力机制，获取自注意力权重，通过自注意力权重表征在训练过程中到节点之间的时空关联强度的大小，在每个子模型的时空图中利用所述自注意力权重进行卷积，子模型训练好局部参数，将全局参数上传，聚合所有子模型的全局参数，更新到新污染物赋存状况预测模型。
图3示出了本发明根据污染风险进行污染预警的方法流程图。
根据本发明实施例，分析更新后新污染物分布的污染风险，根据所述污染风险进行污染预警，具体为：
S302，获取更新后新污染物分布，根据所述更新后新污染分布生成赋存状况变化值，获取预测时间段内预设区域的气象特征，根据历史赋存状况序列中筛选相同气象特征的子序列；
S304，根据所述子序列提取新污染物的历史赋存状况变化值，根据历史赋存状况变化值获取对应相邻格栅区域的迁移变化值，获取迁移变化值与历史赋存状况变化值的比值作为迁移因子；
S306，将所述迁移因子与赋存状况变化值进行结合获取新污染物的迁移风险特征，并根据大数据方法获取不同暴露途径获取新污染物的暴露量，根据所述暴露量获取健康风险特征；
S308，选取所述迁移风险特征，健康风险特征，赋存状况变化值及赋存状况作为评估指标，将所述评估指标进行数据化处理构建评估矩阵，并将所述评估矩阵进行归一化操作；
S310，基于深度神经网络构建目标区域的污染风险评估模型，通过带有污染风险标签的训练数据进行训练，将归一化后的评估矩阵导入所述污染风险评估模型，通过输出层获取更新后新污染物分布的污染风险；
S312，根据目标区域中的土地性质设置不同的污染风险阈值，当所述污染风险大于所述污染风险阈值时，则生成污染预警信息。
需要说明的是，土地性质包括农业用地、建设用地、工业用地等，根据大数据方法获取不同暴露途径获取新污染物的暴露量及各新污染物的毒性参考剂量进行评估，通过口部摄入、皮肤接触和呼吸道吸入颗粒物3种暴露途径，根据各获取新污染物对应的健康风险特征。深度神经网络分为输入层、隐含层和输出层，通过公式法、启发式搜索法和实验法等多种方法确定隐藏层的神经元个数。
根据本发明实施例，还包括，根据污染预警信息获取预设区域内新污染物的治理措施，具体为：
获取目标区域带有预警信息标签的新污染物分布，在预警区域中提取预警信息标签中的新污染物类别及新污染物赋存状况，并获取预警区域中的环境特征、岩土性质及地理水文数据；
通过污染区域中的土地性质划分污染子区域，根据所述新污染物类别及新污染物赋存状况生成污染特征，根据各污染子区域的土地性质及污染特征利用大数据方法获取新污染物生物治理实例；
对所述新污染物生物治理实例进行统计分析，获取不同污染子区域中不同微生物及治理植物的使用频次生成权重信息，并根据治理效果进行筛选；
根据各污染子区域的环境特征、岩土性质及地理水文数据与筛选后不同微生物及治理植物的适生条件进行相似度计算，选取相似度大于预设相似度阈值的微生物及治理植物进行标记；
根据所述权重信息将标记的微生物及治理植物进行排序，选取预设数量的微生物及治理植物种类按照权重信息生成生物治理混配方案，作为不同污染子区域的治理措施。
根据本发明实施例，通过数据库记录污染子区域微环境变化，具体为：
获取污染子区域微环境的环境特征，结合微生物及治理植物各阶段的生长状况判断污染子区域微环境对不同微生物及治理植物的适生程度；
获取污染子区域生物治理混配方案中适生程度最高的微生物及治理植物进行标记，获取标记微生物及治理植物在生物治理混配方案中的占比，当所述占比小于预设阈值时，则对治理措施推荐过程进行优化；
当所述占比大于预设阈值时，则将对应生物治理混配方案与环境特征进行结合存储，生成污染子区域的最优适生程度的生物治理混配方案，根据所述生物治理混配方案基于环境特征的变化系数进行各种微生物及治理植物占比的自适应修改，所述环境特征的变化系数通过对比异步环境特征的相似度获取。
图4示出了本发明一种土壤新污染物赋存状况预测系统的框图。
本发明第二方面还提供了一种土壤新污染物赋存状况预测系统4，该系统包括：存储器41、处理器42，所述存储器中包括土壤新污染物赋存状况预测方法程序，所述土壤新污染物赋存状况预测方法程序被所述处理器执行时实现如下步骤：
获取预设区域内土壤监测单元的土壤监测数据，进行预处理后提取土壤理化性质及新污染物信息；
根据所述新污染物信息生成预设区域内新污染物的历史赋存状况序列，通过所述历史赋存状况序列生成新污染物分布；
根据预设区域内土壤监测单元及新污染物分布生成无向图，在图卷积神经网络中引入联邦学习算法进行聚合，通过迭代训练后构建新污染物赋存状况预测模型；
根据所述新污染物赋存状况预测模型生成新污染物赋存状况预测数据，更新所述新污染物分布，分析更新后新污染物分布的污染风险，根据所述污染风险进行污染预警。
需要说明的是，常见的新污染物有持久性有机污染物、内分泌干扰物、抗生素、微塑料等，获取土壤监测单元在预设时间内的历史土壤监测数据，将所述历史土壤监测数据进行数据清洗及数据筛选等预处理，获取各土壤监测单元中新污染物的类别信息及历史赋存状况；将所述历史赋存状况结合监测时间获取各土壤监测单元的新污染物历史赋存状况序列，并根据所述类别信息设置序列标签；可以根据序列标签选取单一新污染物类别进行分析预测。
对预设区域进行格栅划分，获取预设区域的格栅地图，将土壤监测单元所在格栅区域赋予不同标记，提取标记格栅区域的土壤理化性质，计算不带标记的格栅区域与标记格栅区域的土壤理化性质的相似度；
预设距离范围约束，通常为以某一格栅区域为中心，预设距离为半径的圆形范围，基于所述相似度将不带标记的格栅区域在距离范围约束内归于相似最高的标记区域，并利用标记区域的标记赋予相同标记，获取更新后的格栅地图；利用新污染物历史赋存状况序列对格栅地图进行数据插入，获取预设区域的新污染物分布。
根据本发明实施例，构建新污染物赋存状况预测模型，具体为：
基于联邦学习算法改进的图卷积神经网络构建新污染物赋存状况预测模型，在各节点中选取目标子图，将目标子图对应的新污染物历史赋存状况序列进行图表示；
在图表示中通过皮尔逊相关系数计算节点之间的相似度，构建各节点之间的相似度矩阵，结合所述相似度矩阵及邻居矩阵生成时空关联矩阵，根据节点、边结构及时空关联矩阵生成对应的时空图表示，构建对应的子模型；
引入多头自注意力机制，获取自注意力权重，在每个子模型的时空图中利用所述自注意力权重进行卷积，并将不同时间步的卷积结果进行聚合，并使用两层全连接层作为子模型的输出层，通过训练获取子模型的局部参数；
将各子模型的局部参数进行汇聚生成全局参数，聚合子模型的全局参数获取新污染物赋存状况预测模型。
需要说明的是，获取预设区域中土壤监测单元构建无向图 ，根据所述新污染物分布将无向图划分为若干子图，将所述土壤监测单元作为各子图的节点，/>为节点集合，并根据各土壤监测单元的对应的数据相似度获取各子图之间的关系作为边结构，/>为边结构集合；根据各节点之间的空间距离获取各子图的邻居矩阵/>。将目标子图对应的新污染物历史赋存状况序列进行图表示，获取n个连续的子图，根据节点、边结构及时空关联矩阵生成对应的时空图表示，时空图表示为/>，/>分别表示时空图中的节点集合和边结构集合，/>表示时空关联矩阵/>；其中，/>表示相似度矩阵，/>表示邻居矩阵。
为了学习时空关联的强度，每个子模型引入多头自注意力机制，获取自注意力权重，通过自注意力权重表征在训练过程中到节点之间的时空关联强度的大小，在每个子模型的时空图中利用所述自注意力权重进行卷积，子模型训练好局部参数，将全局参数上传，聚合所有子模型的全局参数，更新到新污染物赋存状况预测模型。
根据本发明实施例，分析更新后新污染物分布的污染风险，根据所述污染风险进行污染预警，具体为：
获取更新后新污染物分布，根据所述更新后新污染分布生成赋存状况变化值，获取预测时间段内预设区域的气象特征，根据历史赋存状况序列中筛选相同气象特征的子序列；
根据所述子序列提取新污染物的历史赋存状况变化值，根据历史赋存状况变化值获取对应相邻格栅区域的迁移变化值，获取迁移变化值与历史赋存状况变化值的比值作为迁移因子；
将所述迁移因子与赋存状况变化值进行结合获取新污染物的迁移风险特征，并根据大数据方法获取不同暴露途径获取新污染物的暴露量，根据所述暴露量获取健康风险特征；
选取所述迁移风险特征，健康风险特征，赋存状况变化值及赋存状况作为评估指标，将所述评估指标进行数据化处理构建评估矩阵，并将所述评估矩阵进行归一化操作；
基于深度神经网络构建目标区域的污染风险评估模型，通过带有污染风险标签的训练数据进行训练，将归一化后的评估矩阵导入所述污染风险评估模型，通过输出层获取更新后新污染物分布的污染风险；
根据目标区域中的土地性质设置不同的污染风险阈值，当所述污染风险大于所述污染风险阈值时，则生成污染预警信息。
需要说明的是，土地性质包括农业用地、建设用地、工业用地等，根据大数据方法获取不同暴露途径获取新污染物的暴露量及各新污染物的毒性参考剂量进行评估，通过口部摄入、皮肤接触和呼吸道吸入颗粒物3种暴露途径，根据各获取新污染物对应的健康风险特征。深度神经网络分为输入层、隐含层和输出层，通过公式法、启发式搜索法和实验法等多种方法确定隐藏层的神经元个数。
根据本发明实施例，还包括，根据污染预警信息获取预设区域内新污染物的治理措施，具体为：
获取目标区域带有预警信息标签的新污染物分布，在预警区域中提取预警信息标签中的新污染物类别及新污染物赋存状况，并获取预警区域中的环境特征、岩土性质及地理水文数据；
通过污染区域中的土地性质划分污染子区域，根据所述新污染物类别及新污染物赋存状况生成污染特征，根据各污染子区域的土地性质及污染特征利用大数据方法获取新污染物生物治理实例；
对所述新污染物生物治理实例进行统计分析，获取不同污染子区域中不同微生物及治理植物的使用频次生成权重信息，并根据治理效果进行筛选；
根据各污染子区域的环境特征、岩土性质及地理水文数据与筛选后不同微生物及治理植物的适生条件进行相似度计算，选取相似度大于预设相似度阈值的微生物及治理植物进行标记；
根据所述权重信息将标记的微生物及治理植物进行排序，选取预设数量的微生物及治理植物种类按照权重信息生成生物治理混配方案，作为不同污染子区域的治理措施。
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一种土壤新污染物赋存状况预测方法程序，所述一种土壤新污染物赋存状况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新污染物赋存状况预测方法的步骤。
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 (10)
1.一种土壤新污染物赋存状况预测方法，其特征在于，包括以下步骤：
获取预设区域内土壤监测单元的土壤监测数据，进行预处理后提取土壤理化性质及新污染物信息；
根据所述新污染物信息生成预设区域内新污染物的历史赋存状况序列，通过所述历史赋存状况序列生成新污染物分布；
根据预设区域内土壤监测单元及新污染物分布生成无向图，在图卷积神经网络中引入联邦学习算法进行聚合，通过迭代训练后构建新污染物赋存状况预测模型；
根据所述新污染物赋存状况预测模型生成新污染物赋存状况预测数据，更新所述新污染物分布，分析更新后新污染物分布的污染风险，根据所述污染风险进行污染预警。
2.根据权利要求1所述的一种土壤新污染物赋存状况预测方法，其特征在于，根据所述新污染物信息生成预设区域内新污染物的历史赋存状况序列，通过所述历史赋存状况序列生成新污染物分布，具体为：
获取土壤监测单元的在预设时间内的历史土壤监测数据，将所述历史土壤监测数据进行数据清洗及数据筛选，获取各土壤监测单元中新污染物的类别信息及历史赋存状况；
将所述历史赋存状况结合监测时间获取各土壤监测单元的新污染物历史赋存状况序列，并根据所述类别信息设置序列标签；
对预设区域进行格栅划分，获取预设区域的格栅地图，将土壤监测单元所在格栅区域赋予不同标记，提取标记格栅区域的土壤理化性质，计算不带标记的格栅区域与标记格栅区域的土壤理化性质的相似度；
预设距离范围约束，基于所述相似度将不带标记的格栅区域在距离范围约束内归于相似最高的标记区域，并利用标记区域的标记赋予相同标记，获取更新后的格栅地图；
利用新污染物历史赋存状况序列对格栅地图进行数据插入，获取预设区域的新污染物分布。
3.根据权利要求1所述的一种土壤新污染物赋存状况预测方法，其特征在于，根据预设区域内土壤监测单元及新污染物分布生成无向图，具体为：
获取预设区域中土壤监测单元构建无向图，根据所述新污染物分布将无向图划分为若干子图，将所述土壤监测单元作为各子图的节点，并获取各子图之间的关系作为边结构；
根据各节点之间的空间距离获取各子图的邻居矩阵。
4.根据权利要求3所述的一种土壤新污染物赋存状况预测方法，其特征在于，构建新污染物赋存状况预测模型，具体为：
基于联邦学习算法改进的图卷积神经网络构建新污染物赋存状况预测模型，在各节点中选取目标子图，将目标子图对应的新污染物历史赋存状况序列进行图表示；
在图表示中通过皮尔逊相关系数计算节点之间的相似度，构建各节点之间的相似度矩阵，结合所述相似度矩阵及邻居矩阵生成时空关联矩阵，根据节点、边结构及时空关联矩阵生成对应的时空图表示，构建对应的子模型；
引入多头自注意力机制，获取自注意力权重，在每个子模型的时空图中利用所述自注意力权重进行卷积，并将不同时间步的卷积结果进行聚合，并使用两层全连接层作为子模型的输出层，通过训练获取子模型的局部参数；
将各子模型的局部参数进行汇聚生成全局参数，聚合子模型的全局参数获取新污染物赋存状况预测模型。
5.根据权利要求1所述的一种土壤新污染物赋存状况预测方法，其特征在于，分析更新后新污染物分布的污染风险，根据所述污染风险进行污染预警，具体为：
获取更新后新污染物分布，根据所述更新后新污染分布生成赋存状况变化值，获取预测时间段内预设区域的气象特征，根据历史赋存状况序列中筛选相同气象特征的子序列；
根据所述子序列提取新污染物的历史赋存状况变化值，根据历史赋存状况变化值获取对应相邻格栅区域的迁移变化值，获取迁移变化值与历史赋存状况变化值的比值作为迁移因子；
将所述迁移因子与赋存状况变化值进行结合获取新污染物的迁移风险特征，并根据大数据方法获取不同暴露途径获取新污染物的暴露量，根据所述暴露量获取健康风险特征；
选取所述迁移风险特征，健康风险特征，赋存状况变化值及赋存状况作为评估指标，将所述评估指标进行数据化处理构建评估矩阵，并将所述评估矩阵进行归一化操作；
基于深度神经网络构建目标区域的污染风险评估模型，通过带有污染风险标签的训练数据进行训练，将归一化后的评估矩阵导入所述污染风险评估模型，通过输出层获取更新后新污染物分布的污染风险；
根据目标区域中的土地性质设置不同的污染风险阈值，当所述污染风险大于所述污染风险阈值时，则生成污染预警信息。
6.根据权利要求1所述的一种土壤新污染物赋存状况预测方法，其特征在于，还包括，根据污染预警信息获取预设区域内新污染物的治理措施，具体为：
获取目标区域带有预警信息标签的新污染物分布，在预警区域中提取预警信息标签中的新污染物类别及新污染物赋存状况，并获取预警区域中的环境特征、岩土性质及地理水文数据；
通过污染区域中的土地性质划分污染子区域，根据所述新污染物类别及新污染物赋存状况生成污染特征，根据各污染子区域的土地性质及污染特征利用大数据方法获取新污染物生物治理实例；
对所述新污染物生物治理实例进行统计分析，获取不同污染子区域中不同微生物及治理植物的使用频次生成权重信息，并根据治理效果进行筛选；
根据各污染子区域的环境特征、岩土性质及地理水文数据与筛选后不同微生物及治理植物的适生条件进行相似度计算，选取相似度大于预设相似度阈值的微生物及治理植物进行标记；
根据所述权重信息将标记的微生物及治理植物进行排序，选取预设数量的微生物及治理植物种类按照权重信息生成生物治理混配方案，作为不同污染子区域的治理措施。
7.一种土壤新污染物赋存状况预测系统，其特征在于，该系统包括：存储器、处理器，所述存储器中包括土壤新污染物赋存状况预测方法程序，所述土壤新污染物赋存状况预测方法程序被所述处理器执行时实现如下步骤：
获取预设区域内土壤监测单元的土壤监测数据，进行预处理后提取土壤理化性质及新污染物信息；
根据所述新污染物信息生成预设区域内新污染物的历史赋存状况序列，通过所述历史赋存状况序列生成新污染物分布；
根据预设区域内土壤监测单元及新污染物分布生成无向图，在图卷积神经网络中引入联邦学习算法进行聚合，通过迭代训练后构建新污染物赋存状况预测模型；
根据所述新污染物赋存状况预测模型生成新污染物赋存状况预测数据，更新所述新污染物分布，分析更新后新污染物分布的污染风险，根据所述污染风险进行污染预警。
8.根据权利要求7所述的一种土壤新污染物赋存状况预测系统，其特征在于，根据预设区域内土壤监测单元及新污染物分布生成无向图，具体为：
获取预设区域中土壤监测单元构建无向图，根据所述新污染物分布将无向图划分为若干子图，将所述土壤监测单元作为各子图的节点，并获取各子图之间的关系作为边结构；
根据各节点之间的空间距离获取各子图的邻居矩阵。
9.根据权利要求8所述的一种土壤新污染物赋存状况预测系统，其特征在于，构建新污染物赋存状况预测模型，具体为：
基于联邦学习算法改进的图卷积神经网络构建新污染物赋存状况预测模型，在各节点中选取目标子图，将目标子图对应的新污染物历史赋存状况序列进行图表示；
在图表示中通过皮尔逊相关系数计算节点之间的相似度，构建各节点之间的相似度矩阵，结合所述相似度矩阵及邻居矩阵生成时空关联矩阵，根据节点、边结构及时空关联矩阵生成对应的时空图表示，构建对应的子模型；
引入多头自注意力机制，获取自注意力权重，在每个子模型的时空图中利用所述自注意力权重进行卷积，并将不同时间步的卷积结果进行聚合，并使用两层全连接层作为子模型的输出层，通过训练获取子模型的局部参数；
将各子模型的局部参数进行汇聚生成全局参数，聚合子模型的全局参数获取新污染物赋存状况预测模型。
10.根据权利要求7所述的一种土壤新污染物赋存状况预测系统，其特征在于，分析更新后新污染物分布的污染风险，根据所述污染风险进行污染预警，具体为：
获取更新后新污染物分布，根据所述更新后新污染分布生成赋存状况变化值，获取预测时间段内预设区域的气象特征，根据历史赋存状况序列中筛选相同气象特征的子序列；
根据所述子序列提取新污染物的历史赋存状况变化值，根据历史赋存状况变化值获取对应相邻格栅区域的迁移变化值，获取迁移变化值与历史赋存状况变化值的比值作为迁移因子；
将所述迁移因子与赋存状况变化值进行结合获取新污染物的迁移风险特征，并根据大数据方法获取不同暴露途径获取新污染物的暴露量，根据所述暴露量获取健康风险特征；
选取所述迁移风险特征，健康风险特征，赋存状况变化值及赋存状况作为评估指标，将所述评估指标进行数据化处理构建评估矩阵，并将所述评估矩阵进行归一化操作；
基于深度神经网络构建目标区域的污染风险评估模型，通过带有污染风险标签的训练数据进行训练，将归一化后的评估矩阵导入所述污染风险评估模型，通过输出层获取更新后新污染物分布的污染风险；
根据目标区域中的土地性质设置不同的污染风险阈值，当所述污染风险大于所述污染风险阈值时，则生成污染预警信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310914253.9A CN116629619B (zh) | 2023-07-25 | 2023-07-25 | 一种土壤新污染物赋存状况预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310914253.9A CN116629619B (zh) | 2023-07-25 | 2023-07-25 | 一种土壤新污染物赋存状况预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116629619A true CN116629619A (zh) | 2023-08-22 |
| CN116629619B CN116629619B (zh) | 2023-09-22 |
Family
ID=87597636
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310914253.9A Active CN116629619B (zh) | 2023-07-25 | 2023-07-25 | 一种土壤新污染物赋存状况预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116629619B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116773465A (zh) * | 2023-08-25 | 2023-09-19 | 北京建工环境修复股份有限公司 | 一种全氟化合物污染在线监测方法及系统 |
| CN117011717A (zh) * | 2023-10-07 | 2023-11-07 | 北京建工环境修复股份有限公司 | 一种基于物联网的全氟化合物污染评价方法及系统 |
| CN117172994A (zh) * | 2023-11-02 | 2023-12-05 | 北京建工环境修复股份有限公司 | 一种污染土壤的微生物联合修复方案推荐方法及系统 |
| CN117172995A (zh) * | 2023-11-02 | 2023-12-05 | 北京建工环境修复股份有限公司 | 基于微生物的污染评估分析方法、系统及存储介质 |
| CN117969159A (zh) * | 2024-03-01 | 2024-05-03 | 浙江求实环境监测有限公司 | 一种基于人工智能的土壤污染检测预警系统 |
| CN118015795A (zh) * | 2024-04-08 | 2024-05-10 | 中用科技有限公司 | 一种基于卷积神经网络的ppb级污染物监测预警方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150347647A1 (en) * | 2014-05-30 | 2015-12-03 | Iteris, Inc. | Measurement and modeling of salinity contamination of soil and soil-water systems from oil and gas production activities |
| CN115660419A (zh) * | 2022-10-24 | 2023-01-31 | 北京市生态环境保护科学研究院 | 一套工业园区土壤与地下水污染监测、评估及预警方法 |
| CN116385689A (zh) * | 2023-06-02 | 2023-07-04 | 北京建工环境修复股份有限公司 | 一种场地污染数据的可视化信息管理方法、系统及介质 |
-
2023
- 2023-07-25 CN CN202310914253.9A patent/CN116629619B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150347647A1 (en) * | 2014-05-30 | 2015-12-03 | Iteris, Inc. | Measurement and modeling of salinity contamination of soil and soil-water systems from oil and gas production activities |
| CN115660419A (zh) * | 2022-10-24 | 2023-01-31 | 北京市生态环境保护科学研究院 | 一套工业园区土壤与地下水污染监测、评估及预警方法 |
| CN116385689A (zh) * | 2023-06-02 | 2023-07-04 | 北京建工环境修复股份有限公司 | 一种场地污染数据的可视化信息管理方法、系统及介质 |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116773465A (zh) * | 2023-08-25 | 2023-09-19 | 北京建工环境修复股份有限公司 | 一种全氟化合物污染在线监测方法及系统 |
| CN116773465B (zh) * | 2023-08-25 | 2023-10-27 | 北京建工环境修复股份有限公司 | 一种全氟化合物污染在线监测方法及系统 |
| CN117011717A (zh) * | 2023-10-07 | 2023-11-07 | 北京建工环境修复股份有限公司 | 一种基于物联网的全氟化合物污染评价方法及系统 |
| CN117011717B (zh) * | 2023-10-07 | 2023-12-19 | 北京建工环境修复股份有限公司 | 一种基于物联网的全氟化合物污染评价方法及系统 |
| CN117172994A (zh) * | 2023-11-02 | 2023-12-05 | 北京建工环境修复股份有限公司 | 一种污染土壤的微生物联合修复方案推荐方法及系统 |
| CN117172995A (zh) * | 2023-11-02 | 2023-12-05 | 北京建工环境修复股份有限公司 | 基于微生物的污染评估分析方法、系统及存储介质 |
| CN117172995B (zh) * | 2023-11-02 | 2024-01-02 | 北京建工环境修复股份有限公司 | 基于微生物的污染评估分析方法、系统及存储介质 |
| CN117172994B (zh) * | 2023-11-02 | 2024-01-23 | 北京建工环境修复股份有限公司 | 一种污染土壤的微生物联合修复方案推荐方法及系统 |
| CN117969159A (zh) * | 2024-03-01 | 2024-05-03 | 浙江求实环境监测有限公司 | 一种基于人工智能的土壤污染检测预警系统 |
| CN118015795A (zh) * | 2024-04-08 | 2024-05-10 | 中用科技有限公司 | 一种基于卷积神经网络的ppb级污染物监测预警方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116629619B (zh) | 2023-09-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116629619B (zh) | 一种土壤新污染物赋存状况预测方法及系统 | |
| Janarthanan et al. | A deep learning approach for prediction of air quality index in a metropolitan city | |
| CN116186566B (zh) | 基于深度学习的扩散预测方法及系统 | |
| Gibert et al. | Which method to use? An assessment of data mining methods in Environmental Data Science | |
| Zurell et al. | The virtual ecologist approach: simulating data and observers | |
| Inman et al. | Comparing sample bias correction methods for species distribution modeling using virtual species | |
| Zhang et al. | Exploring the advantages of the maximum entropy model in calibrating cellular automata for urban growth simulation: a comparative study of four methods | |
| CN117171223B (zh) | 一种微生物修复过程中的微生物培养方案推荐方法及系统 | |
| Amato et al. | Analysis of air pollution time series using complexity-invariant distance and information measures | |
| Athanasiadis et al. | Classification techniques for air quality forecasting | |
| Nahar et al. | Air quality index using machine learning–a jordan case study | |
| Wu et al. | Simulating urban expansion by coupling a stochastic cellular automata model and socioeconomic indicators | |
| CN117171695B (zh) | 一种抗生素污染土壤生态修复效果评价的方法及系统 | |
| Hellen et al. | Explainable AI for safe water evaluation for public health in urban settings | |
| 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 | |
| Zerouali et al. | Artificial intelligent systems optimized by metaheuristic algorithms and teleconnection indices for rainfall modeling: The case of a humid region in the mediterranean basin | |
| Pai et al. | A rough set based model in water quality analysis | |
| Alvarez‐Guerra et al. | A SOM‐based methodology for classifying air quality monitoring stations | |
| Li et al. | Application of a novel multi-criteria decision analysis approach for evaluating the sustainability of contaminated site management: an example from China | |
| CN115983522B (zh) | 一种乡村生境质量评估及预测方法 | |
| Tzima et al. | Sparse episode identification in environmental datasets: The case of air quality assessment | |
| Branco et al. | The use of machine learning in species threats and conservation analysis | |
| Zhao et al. | An analysis of factors affecting agricultural tractors’ reliability using random survival forests based on warranty data | |
| Singh et al. | Comparative Analysis of Classification Models for Predicting Quality of Air | |
| Bacanin et al. | The explainable potential of coupling hybridized metaheuristics, XGBoost, and SHAP in revealing toluene behavior in the atmosphere |
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 |