CN116842350B - 一种污染场地植物修复的分析方法、系统及介质 - Google Patents

一种污染场地植物修复的分析方法、系统及介质 Download PDF

Info

Publication number
CN116842350B
CN116842350B CN202311117667.5A CN202311117667A CN116842350B CN 116842350 B CN116842350 B CN 116842350B CN 202311117667 A CN202311117667 A CN 202311117667A CN 116842350 B CN116842350 B CN 116842350B
Authority
CN
China
Prior art keywords
pollution
site
data
crops
target
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
CN202311117667.5A
Other languages
English (en)
Other versions
CN116842350A (zh
Inventor
李文波
张家铭
周波生
辛成
熊静
王蓓丽
王思敏
邱景琮
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 CN202311117667.5A priority Critical patent/CN116842350B/zh
Publication of CN116842350A publication Critical patent/CN116842350A/zh
Application granted granted Critical
Publication of CN116842350B publication Critical patent/CN116842350B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
    • 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
    • G06F18/24—Classification techniques
    • 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
    • G06F18/2431—Multiple classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine 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
    • G06Q10/04—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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Strategic Management (AREA)
  • Artificial Intelligence (AREA)
  • Economics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Remote Sensing (AREA)
  • Primary Health Care (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种污染场地植物修复的分析方法、系统及介质，该方法包括以下步骤：首先，构建地图模型，其次，收集目标污染场地的多源数据，接着，本方法采用机器学习算法构建污染趋势预测模型，预测未来预设时间段内土壤污染物的浓度变化和区域扩散趋势，并形成详尽的预测报告。构建富集性作物数据库。最后，基于预测报告和富集性作物数据库，本方法通过联合分析，推荐适合在目标污染场地种植的富集性作物，制定出科学合理的种植方案。本发明还构建了污染场地治理共享平台，促进经验交流和治理效率提升。综上所述，本发明能够全面准确地预测污染趋势和推荐适宜的富集性作物种植方案，为污染场地治理和资源利用提供了可靠的技术支持。

Description

一种污染场地植物修复的分析方法、系统及介质
技术领域
本发明涉及污染治理技术领域，特别涉及一种污染场地植物修复的分析方法、系统及介质。
背景技术
随着工业化和城市化进程的加快，环境污染问题日益突出，特别是土壤污染问题成为全球性关注的焦点。土壤污染不仅对土壤质量造成威胁，还会影响植物生长、地下水质量和人类健康。因此，对于污染场地的科学分析和治理显得尤为重要。目前，污染场地植物修复的分析和治理往往面临一些共同的难题：首先，污染场地通常较大，涉及的土壤污染物种类繁多，且受多种因素的影响，导致污染趋势的复杂性和不确定性。其次，针对大规模的污染场地，传统的人工调查和分析方法耗时耗力，且易受主观因素影响，缺乏科学性和全面性。因此，迫切需要一种污染场地植物修复的分析方法、系统及介质，能够基于全面的数据和科学的算法，对目标污染场地进行综合性分析和预测，为制定科学治理方案提供有力支持。
发明内容
为了解决上述至少一个技术问题，本发明提出了一种污染场地植物修复的分析方法、系统及介质。
本发明第一方面提供了一种污染场地植物修复的分析方法，包括：
获取目标污染场地的位置信息，基于所述位置信息构建地图模型，将目标污染场地划分为N个小区域；
获取目标污染场地的多源数据，所述多源数据包括土壤污染物类型数据、历史土壤污染物浓度变化数据、历史气象数据、历史土壤污染物扩散速度数据；
基于机器学习算法构建污染趋势预测模型，将所述多源数据导入污染趋势预测模型进行训练，并对未来预设时间段内土壤污染物的浓度变化和区域扩散变化进行预测，形成预测报告；
构建富集性作物数据库，所述数据库包括富集性作物名称、富集性作物吸收污染物类型、富集性作物生存环境、富集性作物种植时间；
根据预测报告和富集性作物数据库进行联合分析，推荐目标污染场地种植的富集性作物，形成目标污染场地种植方案；
构建污染场地治理共享平台，将所述目标污染场地种植方案共享至其它污染场地中。
本方案中，所述获取目标污染场地的位置信息，基于所述位置信息构建地图模型，将目标污染场地划分为N个小区域，具体为：
基于卫星定位系统，获取目标污染场地的位置信息，基于所述位置信息构建目标污染场地的地图模型；
对目标污染场地在地图中以网格进行划分为N个小区域;
获取每个小区域的环境信息，所述环境信息包括气温、湿度、海拔高度、光照时长。
本方案中，所述获取目标污染场地的多源数据，所述多源数据包括土壤污染物类型数据、历史土壤污染物浓度变化数据、历史气象数据、历史土壤污染物扩散速度数据，具体为：
通过传感器设备获取土壤污染物的类型数据；
根据目标污染场地的历史监测数据，获取历史土壤污染物浓度变化数据、历史土壤污染物扩散速度数据，根据历史气象记录获取历史气象数据；
对历史土壤污染物浓度变化数据、历史气象数据、历史土壤污染物扩散速度数据中的每个数据进行最大值和最小值搜索，得到数据的最大值和最小值；
根据最大值和最小值对每个数据进行归一化计算，并设定归一化后的数据范围在[0，1]之间，得到归一化处理数据；分别获取归一化处理后数据中的历史土壤污染物浓度变化数据、历史气象数据、历史土壤污染物扩散速度数据包含T个时间点的X浓度、X气象、X速度的数据集；
将所述数据集根据时间点进行对齐，并将所述数据集整合为一个综合的数据集X；
使用高斯核函数计算数据集X中数据点之间的相似度，得到高维相似度矩阵；
随机初始化低维空间的数据点，计算低维空间数据点的相似度，得到低维相似度矩阵；
计算高维相似度矩阵与低维相似度矩阵的KL散度；
循环调整低维空间的数据点的位置，直至KL散度最小，得到降维后的历史土壤污染物浓度变化数据、历史气象数据、历史土壤污染物扩散速度数据；
将土壤污染物类型数据、降维后的历史土壤污染物浓度变化数据、历史气象数据、历史土壤污染物扩散速度数据整合为多源数据。
本方案中，所述基于机器学习算法构建污染趋势预测模型，将所述多源数据导入污染趋势预测模型进行训练，并对未来预设时间段内土壤污染物的浓度变化和区域扩散变化进行预测，形成预测报告，具体为：
基于机器学习算法构建污染趋势预测模型，将所述多源数据导入污染趋势预测模型进行训练；
设置污染趋势预测模型的参数权重百分比，并设置参数的范围和分布，随机生成模型优化训练参数集；
根据模型优化训练参数集进行蒙特卡洛模拟，得到模拟预测结果，计算模拟预测结果的置信区间，形成模拟预测报告；
获取目标污染场地中每个小区域的当前土壤污染物浓度、污染物类型，将当前土壤污染物浓度导入污染趋势预测模型中进行预测，得到在未来预设时间段内每个小区域的土壤污染物的浓度变化和区域扩散变化；
根据土壤污染物的浓度变化和区域扩散变化绘制每个小区域随时间变化的土壤污染物浓度-时间变化图、区域扩散-时间变化图，并形成预测报告。
本方案中，所述构建富集性作物数据库，所述数据库包括富集性作物名称、富集性作物吸收污染物类型、富集性作物生存环境、富集性作物种植时间，具体为：
构建富集性作物数据库；
通过互联网检索可吸收土壤污染物的富集性作物，获取富集性作物名称；
根据富集性作物名称，获取富集性作物吸收污染物类型、富集性作物生存环境、富集性作物种植时间；
将富集性作物名称，获取富集性作物吸收污染物类型、富集性作物生存环境、富集性作物种植时间导入富集性作物数据库中进行存储，并形成一一映射关系。
本方案中，所述根据预测报告和富集性作物数据库进行联合分析，推荐目标污染场地种植的富集性作物，形成目标污染场地种植方案，具体为：
获取目标污染场地需要种植作物的时间；
根据所述种植作物的时间和预测报告，得到该时间每个小区域的污染物类型；
根据每个小区域的污染物类型、环境数据、种植作物的时间与数据库中的富集性作物吸收污染物类型、富集性作物生存环境、富集性作物种植时间进行匹配，得到每个小区域的种植作物匹配度数据集；
根据种植作物匹配度数据集，对每个匹配度数据由高到低进行排序，并对每个匹配度进行打分，匹配度最高的为最高分，匹配度最低的为最低分；
根据数据库的一一映射关系，对同种富集性作物的每个匹配度的得分进行累加，选出得分最高的前三种作物作为小区域的推荐种植富集性作物，得到推荐结果；
根据每个小区域的推荐结果形成目标污染场地种植方案。
本方案中，所述构建污染场地治理共享平台，将所述目标污染场地种植方案共享至其它污染场地中，具体为：
构建污染场地治理共享平台，获取各污染场地的基本信息、污染场地治理方案、污染场地治理效果上传至污染场地治理共享平台，所述污染场地的基本信息包括污染物类型，污染程度、污染场地位置；
根据目标污染场地种植方案，在每个小区域种植富集性作物，周期性获取每个小区域种植富集性作物后的污染物浓度变化；
根据污染物浓度变化计算富集性作物的污染物吸收效率；
若吸收效率大于预设效率，则将目标污染场地种植方案上传至污染场地治理共享平台中；
随机抽取一个污染场地的基本信息作为基准信息，与污染场地治理共享平台中其他污染场地进行匹配，若匹配度大于预设值，则归为同一类，并用数字对类别进行标号；
判断是否存在未归类的污染场地，若存在，则随机抽取未归类的污染场地的基本信息作为基准信息，循环进行匹配分析，直至全部污染场地分类完成；
在同一类污染场地中，获取污染治理效果最佳的3个污染场地治理方案，共享至该类污染场地的其他污染场地中进行污染治理方案参考；
实时更新污染场地治理共享平台数据。
本发明第二方面还提供了一种污染场地植物修复的分析系统，该系统包括：存储器、处理器，所述存储器中包括污染场地植物修复的分析方法程序，所述污染场地植物修复的分析方法程序被所述处理器执行时，实现如下步骤：
本方案中，所述污染场地植物修复的分析系统包括储存器以及处理器，所述储存器包括污染场地植物修复的分析方法程序，所述污染场地植物修复的分析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位置信息，基于所述位置信息构建地图模型，将目标污染场地划分为N个小区域；
获取目标污染场地的多源数据，所述多源数据包括土壤污染物类型数据、历史土壤污染物浓度变化数据、历史气象数据、历史土壤污染物扩散速度数据；
基于机器学习算法构建污染趋势预测模型，将所述多源数据导入污染趋势预测模型进行训练，并对未来预设时间段内土壤污染物的浓度变化和区域扩散变化进行预测，形成预测报告；
构建富集性作物数据库，所述数据库包括富集性作物名称、富集性作物吸收污染物类型、富集性作物生存环境、富集性作物种植时间；
根据预测报告和富集性作物数据库进行联合分析，推荐目标污染场地种植的富集性作物，形成目标污染场地种植方案。
本方案中，所述根据预测报告和富集性作物数据库进行联合分析，推荐目标污染场地种植的富集性作物，形成目标污染场地种植方案，具体为：
获取目标污染场地需要种植作物的时间；
根据所述种植作物的时间和预测报告，得到该时间每个小区域的污染物类型；
根据每个小区域的污染物类型、环境数据、种植作物的时间与数据库中的富集性作物吸收污染物类型、富集性作物生存环境、富集性作物种植时间进行匹配，得到每个小区域的种植作物匹配度数据集；
根据种植作物匹配度数据集，对每个匹配度数据由高到低进行排序，并对每个匹配度进行打分，匹配度最高的为最高分，匹配度最低的为最低分；
根据数据库的一一映射关系，对同种富集性作物的每个匹配度的得分进行累加，选出得分最高的前三种作物作为小区域的推荐种植富集性作物，得到推荐结果；
根据每个小区域的推荐结果形成目标污染场地种植方案。
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包括污染场地植物修复的分析方法程序，所述污染场地植物修复的分析方法程序被处理器执行时，实现如上述任一项所述的污染场地植物修复的分析方法的步骤。
本发明公开了一种污染场地植物修复的分析方法、系统及介质，该方法包括以下步骤：首先，构建地图模型，其次，收集目标污染场地的多源数据，接着，本方法采用机器学习算法构建污染趋势预测模型，预测未来预设时间段内土壤污染物的浓度变化和区域扩散趋势，并形成详尽的预测报告。构建富集性作物数据库。最后，基于预测报告和富集性作物数据库，本方法通过联合分析，推荐适合在目标污染场地种植的富集性作物，制定出科学合理的种植方案。本发明还构建了污染场地治理共享平台，促进经验交流和治理效率提升。综上所述，本发明能够全面准确地预测污染趋势和推荐适宜的富集性作物种植方案，为污染场地治理和资源利用提供了可靠的技术支持。
附图说明
图1示出了本发明一种污染场地植物修复的分析方法的流程图；
图2示出了本发明形成预测报告流程图；
图3示出了本发明形成目标污染场地种植方案流程图；
图4示出了本发明一种污染场地植物修复的分析系统的框图。
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示出了本发明一种污染场地植物修复的分析方法的流程图。
如图1所示，本发明第一方面提供了一种污染场地植物修复的分析方法，包括：
S102，获取目标污染场地的位置信息，基于所述位置信息构建地图模型，将目标污染场地划分为N个小区域；
S104，获取目标污染场地的多源数据，所述多源数据包括土壤污染物类型数据、历史土壤污染物浓度变化数据、历史气象数据、历史土壤污染物扩散速度数据；
S106，基于机器学习算法构建污染趋势预测模型，将所述多源数据导入污染趋势预测模型进行训练，并对未来预设时间段内土壤污染物的浓度变化和区域扩散变化进行预测，形成预测报告；
S108，构建富集性作物数据库，所述数据库包括富集性作物名称、富集性作物吸收污染物类型、富集性作物生存环境、富集性作物种植时间；
S110，根据预测报告和富集性作物数据库进行联合分析，推荐目标污染场地种植的富集性作物，形成目标污染场地种植方案；
S112，构建污染场地治理共享平台，将所述目标污染场地种植方案共享至其它污染场地中。
需要说明的是，该方法通过结合多种数据和技术手段，可以提供全面、准确的污染场地植物修复的分析和治理方案，为实现污染场地的有效治理和资源利用提供有力支持。同时，通过共享治理方案，还可以推动更广泛范围内的环境保护工作，为建设更加清洁、健康的环境作出贡献；所述富集性作物是指在生态系统中，能够快速、有效地富集和高度浓集毒性和营养性物质的一类功能群植物。
根据本发明实施例，所述获取目标污染场地的位置信息，基于所述位置信息构建地图模型，将目标污染场地划分为N个小区域，具体为：
基于卫星定位系统，获取目标污染场地的位置信息，基于所述位置信息构建目标污染场地的地图模型；
对目标污染场地在地图中以网格进行划分为N个小区域;
获取每个小区域的环境信息，所述环境信息包括气温、湿度、海拔高度、光照时长。
需要说明的是，所述对目标污染场地在地图中以网格进行划分为N个小区域能够更细致地对污染场地进行分析和监测，有助于更好地发现污染地分布和变化情况。
根据本发明实施例，所述获取目标污染场地的多源数据，所述多源数据包括土壤污染物类型数据、历史土壤污染物浓度变化数据、历史气象数据、历史土壤污染物扩散速度数据，具体为：
通过传感器设备获取土壤污染物的类型数据；
根据目标污染场地的历史监测数据，获取历史土壤污染物浓度变化数据、历史土壤污染物扩散速度数据，根据历史气象记录获取历史气象数据；
对历史土壤污染物浓度变化数据、历史气象数据、历史土壤污染物扩散速度数据中的每个数据进行最大值和最小值搜索，得到数据的最大值和最小值；
根据最大值和最小值对每个数据进行归一化计算，并设定归一化后的数据范围在[0，1]之间，得到归一化处理数据；分别获取归一化处理后数据中的历史土壤污染物浓度变化数据、历史气象数据、历史土壤污染物扩散速度数据包含T个时间点的X浓度、X气象、X速度的数据集；
将所述数据集根据时间点进行对齐，并将所述数据集整合为一个综合的数据集X；
使用高斯核函数计算数据集X中数据点之间的相似度，得到高维相似度矩阵；
随机初始化低维空间的数据点，计算低维空间数据点的相似度，得到低维相似度矩阵；
计算高维相似度矩阵与低维相似度矩阵的KL散度；
循环调整低维空间的数据点的位置，直至KL散度最小，得到降维后的历史土壤污染物浓度变化数据、历史气象数据、历史土壤污染物扩散速度数据；
将土壤污染物类型数据、降维后的历史土壤污染物浓度变化数据、历史气象数据、历史土壤污染物扩散速度数据整合为多源数据。
需要说明的是，首先通过对历史土壤污染物浓度变化数据、历史气象数据、历史土壤污染物扩散速度数据进行归一化，将数据的不同特征缩放至相同的尺度范围之下，为后续的污染趋势预测模型能够更好的处理数据；然后对数据通过t-sne算法进行降维处理，降低数据的冗余度，进一步提高后续污染趋势预测模型的数据处理效率；所述归一化处理数据包括归一化处理后的历史土壤污染物浓度变化数据、历史土壤污染物扩散速度数据。
图2示出了本发明形成预测报告流程图。
根据本发明实施例，所述基于机器学习算法构建污染趋势预测模型，将所述多源数据导入污染趋势预测模型进行训练，并对未来预设时间段内土壤污染物的浓度变化和区域扩散变化进行预测，形成预测报告，具体为：
S202，基于机器学习算法构建污染趋势预测模型，将所述多源数据导入污染趋势预测模型进行训练；
S204，设置污染趋势预测模型的参数权重百分比，并设置参数的范围和分布，随机生成模型优化训练参数集；
S206，根据模型优化训练参数集进行蒙特卡洛模拟，得到模拟预测结果，计算模拟预测结果的置信区间，形成模拟预测报告；
S208，获取目标污染场地中每个小区域的当前土壤污染物浓度、污染物类型，将当前土壤污染物浓度导入污染趋势预测模型中进行预测，得到在未来预设时间段内每个小区域的土壤污染物的浓度变化和区域扩散变化；
S210，根据土壤污染物的浓度变化和区域扩散变化绘制每个小区域随时间变化的土壤污染物浓度-时间变化图、区域扩散-时间变化图，并形成预测报告。
需要说明的是，首先通过多源数据对污染趋势预测模型，保证预测模型的预测精准度，然后通过蒙特卡洛模拟方法再次对污染趋势预测模型进行训练，提高预测模型预测的精准度；所述机器学习算法包括支持向量机算法、随机森林算法、K均值聚类算法；所述模拟预测报告可让决策者了解预测结果的范围和可能性，减少决策风险；所述未来预设时间段指的是由于污染趋势预测模型具有预测时间范围限制，为避免预测效率的下降而指定的最佳预测范围时间段；所述预测报告包括土壤污染物浓度变化预测结果、区域扩散变化预测结果、风险评估报告、对预测结果进行图表可视化的展示结果，根据预测报告可以帮助决策者在治理过程中及时调整策略，根据预测的污染趋势进行有针对性的治理措施，从而提高治理效率和效果。
根据本发明实施例，所述构建富集性作物数据库，所述数据库包括富集性作物名称、富集性作物吸收污染物类型、富集性作物生存环境、富集性作物种植时间，具体为：
构建富集性作物数据库；
通过互联网检索可吸收土壤污染物的富集性作物，获取富集性作物名称；
根据富集性作物名称，获取富集性作物吸收污染物类型、富集性作物生存环境、富集性作物种植时间；
将富集性作物名称，获取富集性作物吸收污染物类型、富集性作物生存环境、富集性作物种植时间导入富集性作物数据库中进行存储，并形成一一映射关系。
需要说明的是，由于土地污染，避免在目标污染场地种植食用性农作物对人类或动物造成伤害，从而构建富集性作物数据库，在富集性作物数据库选种富集性作物，为后续选种作物提高决策效率。
图3示出了本发明形成目标污染场地种植方案流程图。
根据本发明实施例，所述根据预测报告和富集性作物数据库进行联合分析，推荐目标污染场地种植的富集性作物，形成目标污染场地种植方案，具体为：
S302，获取目标污染场地需要种植作物的时间；
S304，根据所述种植作物的时间和预测报告，得到该时间每个小区域的污染物类型；
S306，根据每个小区域的污染物类型、环境数据、种植作物的时间与数据库中的富集性作物吸收污染物类型、富集性作物生存环境、富集性作物种植时间进行匹配，得到每个小区域的种植作物匹配度数据集；
S308，根据种植作物匹配度数据集，对每个匹配度数据由高到低进行排序，并对每个匹配度进行打分，匹配度最高的为最高分，匹配度最低的为最低分；
S310，根据数据库的一一映射关系，对同种富集性作物的每个匹配度的得分进行累加，选出得分最高的前三种作物作为小区域的推荐种植富集性作物，得到推荐结果；
S312，根据每个小区域的推荐结果形成目标污染场地种植方案。
需要说明的是，通过每个小区域的污染物类型、环境数据、种植作物的时间与数据库中的富集性作物吸收污染物类型、富集性作物生存环境、富集性作物种植时间进行匹配，得到匹配分数最高的富集性作物进行推荐种植在小区域中，可实现在目标污染场地中种植作物产生经济效益，同时可实现对目标污染场地进行污染治理，避免了因治理污染无法种植作物的情况，在提高了经济效益的情况下又治理了污染；该方法综合考虑了每个小区域的污染物情况、环境因素和适宜种植作物等多个因素，使得推荐结果更加全面和准确；通过累加得分和选取得分最高的前三种作物，确保了推荐结果是在综合考虑多个指标的基础上选择出的最优作物，有助于提高污染场地的治理效率和经济效益；所述富集性作物指的是如观赏性鲜花、盆栽、能源木材等经济农作物；所述匹配度数据集包括污染物匹配度数据、环境匹配度数据、时间匹配度数据。
根据本发明实施例，所述构建污染场地治理共享平台，将所述目标污染场地种植方案共享至其它污染场地中，具体为：
构建污染场地治理共享平台，获取各污染场地的基本信息、污染场地治理方案、污染场地治理效果上传至污染场地治理共享平台，所述污染场地的基本信息包括污染物类型，污染程度、污染场地位置；
根据目标污染场地种植方案，在每个小区域种植富集性作物，周期性获取每个小区域种植富集性作物后的污染物浓度变化；
根据污染物浓度变化计算富集性作物的污染物吸收效率；
若吸收效率大于预设效率，则将目标污染场地种植方案上传至污染场地治理共享平台中；
随机抽取一个污染场地的基本信息作为基准信息，与污染场地治理共享平台中其他污染场地的基本信息进行匹配，若匹配度大于预设值，则归为同一类，并用数字对类别进行标号；
判断是否存在未归类的污染场地，若存在，则随机抽取未归类的污染场地的基本信息作为基准信息，循环进行匹配分析，直至全部污染场地分类完成；
在同一类污染场地中，获取污染治理效果最佳的3个污染场地治理方案，共享至该类污染场地的其他污染场地中进行污染治理方案参考；
实时更新污染场地治理共享平台数据。
需要说明的是，本发明实施例通过构建污染场地治理共享平台实现了污染场地种植方案的共享和参考，各污染场地之间可以相互借鉴和优化治理方案，提高治理效率和治理效果，平台选择效果最佳的治理方案并共享给其他污染场地，有助于提高治理效率和节约治理成本；所述污染场地治理共享平台具备收集、存储和共享各污染场地的基本信息、治理方案和治理效果的能力。
根据本发明实施例，还包括：
获取污染场地的野生动物信息，所述野生动物信息包括野生动物名称、迁徙时间、食物类型、庇护所类型、食物需求量；
获取污染场地的生态信息，所述生态信息包括动物名称、植物名称、污染范围；
根据所述生态信息调查污染场地的资源可用性信息，所述资源可用性信息包括食物可用性资源、水资源、庇护所资源；
通过互联网获取资源可用性信息中的各资源对野生动物生存适宜度的影响权重信息；
根据野生动物信息与资源可用性信息进行对比，判断将污染场地作为迁徙栖息地的野生动物的生存适宜度；
若野生动物生存适宜度小于预设值，对污染场地的资源可用性信息进行分析，得到资源缺失差异性信息；
根据所述资源缺失差异性信息和野生动物生存适宜度的影响权重信息，对野生动物的栖息可用性资源进行人工补充。
需要说明的是，污染场地可能为一些野生动物在迁徙过程中作为中途栖息地，若污染场地作为栖息地时，由于污染场地的污染情况可能造成物种丰富度的下降，造成污染场地中野生动物所需的栖息资源下降，对野生动物的栖息可用性资源进行人工补充，可降低对野生动物栖息过程中不利影响，避免因污染造成对栖息在该地的野生动物造成影响，避免造成更大范围的生态破坏；本发明实施例是在污染场地的污染未造成大规模的物种死亡的情况下进行的，在野生动物迁飞至污染场地之前，使可行性资源进行人工补充成为一种可行性操作；野生动物的栖息至污染场地，对物种丰富度起到积极作用，进而帮助对污染场地的修复。
根据本发明实施例，还包括：
判断目标污染场地的每个小区域种植的富集性作物是否为种植之后可移植作物；
若为可移植作物，则获取目标污染场地中每个小区域的土壤微生物种类；
根据每个小区域的污染物类型和污染程度，在互联网获取土壤微生物因污染物类型而发生的变化情况；
根据变化情况判定每个小区域的污染治理效果；
若污染治理效果达到预设效果，将该小区域的富集性作物移植到未种植该富集性作物且适宜种植该富集性作物的小区域中。
需要说明的是，首先通过土壤微生物的变化情况判断每个小区域的污染治理情况，将治理情况效果较好的富集性作物进行移植到治理效果未达到预期的小区域中，实现了对治理方案的改进，进一步加快治理效率。
图4示出了本发明一种污染场地植物修复的分析系统的框图。
本发明第二方面还提供了一种污染场地植物修复的分析系统4，该系统包括：存储器41、处理器42，所述存储器中包括污染场地植物修复的分析方法程序，所述污染场地植物修复的分析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位置信息，基于所述位置信息构建地图模型，将目标污染场地划分为N个小区域；
获取目标污染场地的多源数据，所述多源数据包括土壤污染物类型数据、历史土壤污染物浓度变化数据、历史气象数据、历史土壤污染物扩散速度数据；
基于机器学习算法构建污染趋势预测模型，将所述多源数据导入污染趋势预测模型进行训练，并对未来预设时间段内土壤污染物的浓度变化和区域扩散变化进行预测，形成预测报告；
构建富集性作物数据库，所述数据库包括富集性作物名称、富集性作物吸收污染物类型、富集性作物生存环境、富集性作物种植时间；
根据预测报告和富集性作物数据库进行联合分析，推荐目标污染场地种植的富集性作物，形成目标污染场地种植方案；
构建污染场地治理共享平台，将所述目标污染场地种植方案共享至其它污染场地中。
需要说明的是，该方法通过结合多种数据和技术手段，可以提供全面、准确的污染场地植物修复的分析和治理方案，为实现污染场地的有效治理和资源利用提供有力支持。同时，通过共享治理方案，还可以推动更广泛范围内的环境保护工作，为建设更加清洁、健康的环境作出贡献；所述富集性作物是指在生态系统中，能够快速、有效地富集和高度浓集毒性和营养性物质的一类功能群植物。
根据本发明实施例，所述获取目标污染场地的位置信息，基于所述位置信息构建地图模型，将目标污染场地划分为N个小区域，具体为：
基于卫星定位系统，获取目标污染场地的位置信息，基于所述位置信息构建目标污染场地的地图模型；
对目标污染场地在地图中以网格进行划分为N个小区域;
获取每个小区域的环境信息，所述环境信息包括气温、湿度、海拔高度、光照时长。
需要说明的是，所述对目标污染场地在地图中以网格进行划分为N个小区域能够更细致地对污染场地进行分析和监测，有助于更好地发现污染地分布和变化情况。
根据本发明实施例，所述获取目标污染场地的多源数据，所述多源数据包括土壤污染物类型数据、历史土壤污染物浓度变化数据、历史气象数据、历史土壤污染物扩散速度数据，具体为：
通过传感器设备获取土壤污染物的类型数据；
根据目标污染场地的历史监测数据，获取历史土壤污染物浓度变化数据、历史土壤污染物扩散速度数据，根据历史气象记录获取历史气象数据；
对历史土壤污染物浓度变化数据、历史气象数据、历史土壤污染物扩散速度数据中的每个数据进行最大值和最小值搜索，得到数据的最大值和最小值；
根据最大值和最小值对每个数据进行归一化计算，并设定归一化后的数据范围在[0，1]之间，得到归一化处理数据；分别获取归一化处理后数据中的历史土壤污染物浓度变化数据、历史气象数据、历史土壤污染物扩散速度数据包含T个时间点的X浓度、X气象、X速度的数据集；
将所述数据集根据时间点进行对齐，并将所述数据集整合为一个综合的数据集X；
使用高斯核函数计算数据集X中数据点之间的相似度，得到高维相似度矩阵；
随机初始化低维空间的数据点，计算低维空间数据点的相似度，得到低维相似度矩阵；
计算高维相似度矩阵与低维相似度矩阵的KL散度；
循环调整低维空间的数据点的位置，直至KL散度最小，得到降维后的历史土壤污染物浓度变化数据、历史气象数据、历史土壤污染物扩散速度数据；
将土壤污染物类型数据、降维后的历史土壤污染物浓度变化数据、历史气象数据、历史土壤污染物扩散速度数据整合为多源数据。
需要说明的是，首先通过对历史土壤污染物浓度变化数据、历史气象数据、历史土壤污染物扩散速度数据进行归一化，将数据的不同特征缩放至相同的尺度范围之下，为后续的污染趋势预测模型能够更好的处理数据；然后对数据通过t-sne算法进行降维处理，降低数据的冗余度，进一步提高后续污染趋势预测模型的数据处理效率；所述归一化处理数据包括归一化处理后的历史土壤污染物浓度变化数据、历史土壤污染物扩散速度数据。
根据本发明实施例，所述基于机器学习算法构建污染趋势预测模型，将所述多源数据导入污染趋势预测模型进行训练，并对未来预设时间段内土壤污染物的浓度变化和区域扩散变化进行预测，形成预测报告，具体为：
基于机器学习算法构建污染趋势预测模型，将所述多源数据导入污染趋势预测模型进行训练；
设置污染趋势预测模型的参数权重百分比，并设置参数的范围和分布，随机生成模型优化训练参数集；
根据模型优化训练参数集进行蒙特卡洛模拟，得到模拟预测结果，计算模拟预测结果的置信区间，形成模拟预测报告；
获取目标污染场地中每个小区域的当前土壤污染物浓度、污染物类型，将当前土壤污染物浓度导入污染趋势预测模型中进行预测，得到在未来预设时间段内每个小区域的土壤污染物的浓度变化和区域扩散变化；
根据土壤污染物的浓度变化和区域扩散变化绘制每个小区域随时间变化的土壤污染物浓度-时间变化图、区域扩散-时间变化图，并形成预测报告。
需要说明的是，首先通过多源数据对污染趋势预测模型，保证预测模型的预测精准度，然后通过蒙特卡洛模拟方法再次对污染趋势预测模型进行训练，提高预测模型预测的精准度；所述机器学习算法包括支持向量机算法、随机森林算法、K均值聚类算法；所述模拟预测报告可让决策者了解预测结果的范围和可能性，减少决策风险；所述未来预设时间段指的是由于污染趋势预测模型具有预测时间范围限制，为避免预测效率的下降而指定的最佳预测范围时间段；所述预测报告包括土壤污染物浓度变化预测结果、区域扩散变化预测结果、风险评估报告、对预测结果进行图表可视化的展示结果，根据预测报告可以帮助决策者在治理过程中及时调整策略，根据预测的污染趋势进行有针对性的治理措施，从而提高治理效率和效果。
根据本发明实施例，所述构建富集性作物数据库，所述数据库包括富集性作物名称、富集性作物吸收污染物类型、富集性作物生存环境、富集性作物种植时间，具体为：
构建富集性作物数据库；
通过互联网检索可吸收土壤污染物的富集性作物，获取富集性作物名称；
根据富集性作物名称，获取富集性作物吸收污染物类型、富集性作物生存环境、富集性作物种植时间；
将富集性作物名称，获取富集性作物吸收污染物类型、富集性作物生存环境、富集性作物种植时间导入富集性作物数据库中进行存储，并形成一一映射关系。
需要说明的是，由于土地污染，避免在目标污染场地种植食用性农作物对人类或动物造成伤害，从而构建富集性作物数据库，在富集性作物数据库选种富集性作物，为后续选种作物提高决策效率。
根据本发明实施例，所述根据预测报告和富集性作物数据库进行联合分析，推荐目标污染场地种植的富集性作物，形成目标污染场地种植方案，具体为：
获取目标污染场地需要种植作物的时间；
根据所述种植作物的时间和预测报告，得到该时间每个小区域的污染物类型；
根据每个小区域的污染物类型、环境数据、种植作物的时间与数据库中的富集性作物吸收污染物类型、富集性作物生存环境、富集性作物种植时间进行匹配，得到每个小区域的种植作物匹配度数据集；
根据种植作物匹配度数据集，对每个匹配度数据由高到低进行排序，并对每个匹配度进行打分，匹配度最高的为最高分，匹配度最低的为最低分；
根据数据库的一一映射关系，对同种富集性作物的每个匹配度的得分进行累加，选出得分最高的前三种作物作为小区域的推荐种植富集性作物，得到推荐结果；
根据每个小区域的推荐结果形成目标污染场地种植方案。
需要说明的是，通过每个小区域的污染物类型、环境数据、种植作物的时间与数据库中的富集性作物吸收污染物类型、富集性作物生存环境、富集性作物种植时间进行匹配，得到匹配分数最高的富集性作物进行推荐种植在小区域中，可实现在目标污染场地中种植作物产生经济效益，同时可实现对目标污染场地进行污染治理，避免了因治理污染无法种植作物的情况，在提高了经济效益的情况下又治理了污染；该方法综合考虑了每个小区域的污染物情况、环境因素和适宜种植作物等多个因素，使得推荐结果更加全面和准确；通过累加得分和选取得分最高的前三种作物，确保了推荐结果是在综合考虑多个指标的基础上选择出的最优作物，有助于提高污染场地的治理效率和经济效益；所述富集性作物指的是如观赏性鲜花、盆摘、能源木材等经济农作物；所述匹配度数据集包括污染物匹配度数据、环境匹配度数据、时间匹配度数据。
根据本发明实施例，所述构建污染场地治理共享平台，将所述目标污染场地种植方案共享至其它污染场地中，具体为：
构建污染场地治理共享平台，获取各污染场地的基本信息、污染场地治理方案、污染场地治理效果上传至污染场地治理共享平台，所述污染场地的基本信息包括污染物类型，污染程度、污染场地位置；
根据目标污染场地种植方案，在每个小区域种植富集性作物，周期性获取每个小区域种植富集性作物后的污染物浓度变化；
根据污染物浓度变化计算富集性作物的污染物吸收效率；
若吸收效率大于预设效率，则将目标污染场地种植方案上传至污染场地治理共享平台中；
随机抽取一个污染场地的基本信息作为基准信息，与污染场地治理共享平台中其他污染场地的基本信息进行匹配，若匹配度大于预设值，则归为同一类，并用数字对类别进行标号；
判断是否存在未归类的污染场地，若存在，则随机抽取未归类的污染场地的基本信息作为基准信息，循环进行匹配分析，直至全部污染场地分类完成；
在同一类污染场地中，获取污染治理效果最佳的3个污染场地治理方案，共享至该类污染场地的其他污染场地中进行污染治理方案参考；
实时更新污染场地治理共享平台数据。
需要说明的是，本发明实施例通过构建污染场地治理共享平台实现了污染场地种植方案的共享和参考，各污染场地之间可以相互借鉴和优化治理方案，提高治理效率和治理效果，平台选择效果最佳的治理方案并共享给其他污染场地，有助于提高治理效率和节约治理成本；所述污染场地治理共享平台具备收集、存储和共享各污染场地的基本信息、治理方案和治理效果的能力。
根据本发明实施例，还包括：
获取历史将污染场地作为迁徙栖息地的野生动物信息，所述野生动物信息包括野生动物名称、迁徙时间、食物类型、庇护所类型、食物需求量；
获取污染场地的生态信息，所述生态信息包括动物名称、植物名称、污染范围；
根据所述生态信息调查污染场地的资源可用性信息，所述资源可用性信息包括食物可用性资源、水资源、庇护所资源；
通过互联网获取资源可用性信息中的各资源对野生动物生存适宜度的影响权重信息；
根据野生动物信息与资源可用性信息进行对比，判断将污染场地作为迁徙栖息地的野生动物生存适宜度；
若野生动物生存适宜度小于预设值，对污染场地的资源可用性信息进行分析，得到资源缺失差异性信息；
根据所述资源缺失差异性信息和野生动物生存适宜度的影响权重信息，对野生动物的栖息可用性资源进行人工补充。
需要说明的是，污染场地可能为一些野生动物在迁徙过程中作为中途栖息地，由于污染场地的污染情况可能造成物种丰富度的下降，造成污染场地中野生动物所需的栖息资源下降，对野生动物的栖息可用性资源进行人工补充，可降低对野生动物栖息过程中不利影响，避免因污染造成对栖息在该地的野生动物造成影响，避免造成更大范围的生态破坏；本发明实施例是在污染场地的污染未造成大规模的物种死亡的情况下进行的，在野生动物迁飞至污染场地之前，使可行性资源进行人工补充成为一种可行性操作。
根据本发明实施例，还包括：
判断目标污染场地的每个小区域种植的富集性作物是否为种植之后可移植作物；
若为可移植作物，则获取目标污染场地中每个小区域的土壤微生物种类；
根据每个小区域的污染物类型和污染程度，在互联网获取土壤微生物因污染物类型而发生的变化情况；
根据变化情况判定每个小区域的污染治理效果；
若污染治理效果达到预设效果，将该小区域的富集性作物移植到未种植该富集性作物且适宜种植该富集性作物的小区域中。
需要说明的是，首先通过土壤微生物的变化情况判断每个小区域的污染治理情况，将治理情况效果较好的富集性作物进行移植到治理效果未达到预期的小区域中，实现了对治理方案的改进，进一步加快治理效率。
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污染场地植物修复的分析方法程序，所述污染场地植物修复的分析方法程序被处理器执行时，实现如上述任一项所述的污染场地植物修复的分析方法的步骤。
本发明公开了一种污染场地植物修复的分析方法、系统及介质，该方法包括以下步骤：首先，构建地图模型，其次，收集目标污染场地的多源数据，接着，本方法采用机器学习算法构建污染趋势预测模型，预测未来预设时间段内土壤污染物的浓度变化和区域扩散趋势，并形成详尽的预测报告。构建富集性作物数据库。最后，基于预测报告和富集性作物数据库，本方法通过联合分析，推荐适合在目标污染场地种植的富集性作物，制定出科学合理的种植方案。本发明还构建了污染场地治理共享平台，促进经验交流和治理效率提升。综上所述，本发明能够全面准确地预测污染趋势和推荐适宜的富集性作物种植方案，为污染场地治理和资源利用提供了可靠的技术支持。
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 (9)

1.一种污染场地植物修复的分析方法，其特征在于，包括以下步骤：
获取目标污染场地的位置信息，基于所述位置信息构建地图模型，将目标污染场地划分为N个小区域；
获取目标污染场地的多源数据，所述多源数据包括土壤污染物类型数据、历史土壤污染物浓度变化数据、历史气象数据、历史土壤污染物扩散速度数据；
基于机器学习算法构建污染趋势预测模型，将所述多源数据导入污染趋势预测模型进行训练，并对未来预设时间段内土壤污染物的浓度变化和区域扩散变化进行预测，形成预测报告；
构建富集性作物数据库，所述数据库包括富集性作物名称、富集性作物吸收污染物类型、富集性作物生存环境、富集性作物种植时间；
根据预测报告和富集性作物数据库进行联合分析，推荐目标污染场地种植的富集性作物，形成目标污染场地种植方案；
构建污染场地治理共享平台，将所述目标污染场地种植方案共享至其它污染场地中；
所述构建污染场地治理共享平台，将所述目标污染场地种植方案共享至其它污染场地中，具体为：
构建污染场地治理共享平台，获取各污染场地的基本信息、污染场地治理方案、污染场地治理效果上传至污染场地治理共享平台，所述污染场地的基本信息包括污染物类型，污染程度、污染场地位置；
根据目标污染场地种植方案，在每个小区域种植富集性作物，周期性获取每个小区域种植富集性作物后的污染物浓度变化；
根据污染物浓度变化计算富集性作物的污染物吸收效率；
若吸收效率大于预设效率，则将目标污染场地种植方案上传至污染场地治理共享平台中；
随机抽取一个污染场地的基本信息作为基准信息，与污染场地治理共享平台中其他污染场地进行匹配，若匹配度大于预设值，则归为同一类，并用数字对类别进行标号；
判断是否存在未归类的污染场地，若存在，则随机抽取未归类的污染场地的基本信息作为基准信息，循环进行匹配分析，直至全部污染场地分类完成；
在同一类污染场地中，获取污染治理效果最佳的3个污染场地治理方案，共享至该类污染场地的其他污染场地中进行污染治理方案参考；
实时更新污染场地治理共享平台数据；
其中，还包括：
获取历史将污染场地作为迁徙栖息地的野生动物信息，所述野生动物信息包括野生动物名称、迁徙时间、食物类型、庇护所类型、食物需求量；
获取污染场地的生态信息，所述生态信息包括动物名称、植物名称、污染范围；
根据所述生态信息调查污染场地的资源可用性信息，所述资源可用性信息包括食物可用性资源、水资源、庇护所资源；
通过互联网获取资源可用性信息中的各资源对野生动物生存适宜度的影响权重信息；
根据野生动物信息与资源可用性信息进行对比，判断将污染场地作为迁徙栖息地的野生动物生存适宜度；
若野生动物生存适宜度小于预设值，对污染场地的资源可用性信息进行分析，得到资源缺失差异性信息；
根据所述资源缺失差异性信息和野生动物生存适宜度的影响权重信息，对野生动物的栖息可用性资源进行人工补充。
2.根据权利要求1所述的一种污染场地植物修复的分析方法，其特征在于，所述获取目标污染场地的位置信息，基于所述位置信息构建地图模型，将目标污染场地划分为N个小区域，具体为：
基于卫星定位系统，获取目标污染场地的位置信息，基于所述位置信息构建目标污染场地的地图模型；
对目标污染场地在地图中以网格进行划分为N个小区域;
获取每个小区域的环境信息，所述环境信息包括气温、湿度、海拔高度、光照时长。
3.根据权利要求1所述的一种污染场地植物修复的分析方法，其特征在于，所述获取目标污染场地的多源数据，所述多源数据包括土壤污染物类型数据、历史土壤污染物浓度变化数据、历史气象数据、历史土壤污染物扩散速度数据，具体为：
通过传感器设备获取土壤污染物的类型数据；
根据目标污染场地的历史监测数据，获取历史土壤污染物浓度变化数据、历史土壤污染物扩散速度数据，根据历史气象记录获取历史气象数据；
对历史土壤污染物浓度变化数据、历史气象数据、历史土壤污染物扩散速度数据中的每个数据进行最大值和最小值搜索，得到数据的最大值和最小值；
根据最大值和最小值对每个数据进行归一化计算，并设定归一化后的数据范围在[0，1]之间，得到归一化处理数据；分别获取归一化处理后数据中的历史土壤污染物浓度变化数据、历史气象数据、历史土壤污染物扩散速度数据包含T个时间点的X浓度、X气象、X速度的数据集；
将所述数据集根据时间点进行对齐，并将所述数据集整合为一个综合的数据集X；
使用高斯核函数计算数据集X中数据点之间的相似度，得到高维相似度矩阵；
随机初始化低维空间的数据点，计算低维空间数据点的相似度，得到低维相似度矩阵；
计算高维相似度矩阵与低维相似度矩阵的KL散度；
循环调整低维空间的数据点的位置，直至KL散度最小，得到降维后的历史土壤污染物浓度变化数据、历史气象数据、历史土壤污染物扩散速度数据；
将土壤污染物类型数据、降维后的历史土壤污染物浓度变化数据、历史气象数据、历史土壤污染物扩散速度数据整合为多源数据。
4.根据权利要求3所述的一种污染场地植物修复的分析方法，其特征在于，所述基于机器学习算法构建污染趋势预测模型，将所述多源数据导入污染趋势预测模型进行训练，并对未来预设时间段内土壤污染物的浓度变化和区域扩散变化进行预测，形成预测报告，具体为：
基于机器学习算法构建污染趋势预测模型，将所述多源数据导入污染趋势预测模型进行训练；
设置污染趋势预测模型的参数权重百分比，并设置参数的范围和分布，随机生成模型优化训练参数集；
根据模型优化训练参数集进行蒙特卡洛模拟，得到模拟预测结果，计算模拟预测结果的置信区间，形成模拟预测报告；
获取目标污染场地中每个小区域的当前土壤污染物浓度、污染物类型，将当前土壤污染物浓度导入污染趋势预测模型中进行预测，得到在未来预设时间段内每个小区域的土壤污染物的浓度变化和区域扩散变化；
根据土壤污染物的浓度变化和区域扩散变化绘制每个小区域随时间变化的土壤污染物浓度-时间变化图、区域扩散-时间变化图，并形成预测报告。
5.根据权利要求1所述的一种污染场地植物修复的分析方法，其特征在于，所述构建富集性作物数据库，所述数据库包括富集性作物名称、富集性作物吸收污染物类型、富集性作物生存环境、富集性作物种植时间，具体为：
构建富集性作物数据库；
通过互联网检索可吸收土壤污染物的富集性作物，获取富集性作物名称；
根据富集性作物名称，获取富集性作物吸收污染物类型、富集性作物生存环境、富集性作物种植时间；
将富集性作物名称、富集性作物吸收污染物类型、富集性作物生存环境、富集性作物种植时间导入富集性作物数据库中进行存储，并形成一一映射关系。
6.根据权利要求5所述的一种污染场地植物修复的分析方法，其特征在于，所述根据预测报告和富集性作物数据库进行联合分析，推荐目标污染场地种植的富集性作物，形成目标污染场地种植方案，具体为：
获取目标污染场地需要种植作物的时间；
根据所述种植作物的时间和预测报告，得到该时间每个小区域的污染物类型；
根据每个小区域的污染物类型、环境数据、种植作物的时间与数据库中的富集性作物吸收污染物类型、富集性作物生存环境、富集性作物种植时间进行匹配，得到每个小区域的种植作物匹配度数据集；
根据种植作物匹配度数据集，对每个匹配度数据由高到低进行排序，并对每个匹配度进行打分，匹配度最高的为最高分，匹配度最低的为最低分；
根据数据库的一一映射关系，对同种富集性作物的每个匹配度的得分进行累加，选出得分最高的前三种作物作为小区域的推荐种植富集性作物，得到推荐结果；
根据每个小区域的推荐结果形成目标污染场地种植方案。
7.一种污染场地植物修复的分析系统，其特征在于，所述污染场地植物修复的分析系统包括储存器以及处理器，所述储存器包括污染场地植物修复的分析方法程序，所述污染场地植物修复的分析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位置信息，基于所述位置信息构建地图模型，将目标污染场地划分为N个小区域；
获取目标污染场地的多源数据，所述多源数据包括土壤污染物类型数据、历史土壤污染物浓度变化数据、历史气象数据、历史土壤污染物扩散速度数据；
基于机器学习算法构建污染趋势预测模型，将所述多源数据导入污染趋势预测模型进行训练，并对未来预设时间段内土壤污染物的浓度变化和区域扩散变化进行预测，形成预测报告；
构建富集性作物数据库，所述数据库包括富集性作物名称、富集性作物吸收污染物类型、富集性作物生存环境、富集性作物种植时间；
根据预测报告和富集性作物数据库进行联合分析，推荐目标污染场地种植的富集性作物，形成目标污染场地种植方案；
构建污染场地治理共享平台，将所述目标污染场地种植方案共享至其它污染场地中；
所述构建污染场地治理共享平台，将所述目标污染场地种植方案共享至其它污染场地中，具体为：
构建污染场地治理共享平台，获取各污染场地的基本信息、污染场地治理方案、污染场地治理效果上传至污染场地治理共享平台，所述污染场地的基本信息包括污染物类型，污染程度、污染场地位置；
根据目标污染场地种植方案，在每个小区域种植富集性作物，周期性获取每个小区域种植富集性作物后的污染物浓度变化；
根据污染物浓度变化计算富集性作物的污染物吸收效率；
若吸收效率大于预设效率，则将目标污染场地种植方案上传至污染场地治理共享平台中；
随机抽取一个污染场地的基本信息作为基准信息，与污染场地治理共享平台中其他污染场地进行匹配，若匹配度大于预设值，则归为同一类，并用数字对类别进行标号；
判断是否存在未归类的污染场地，若存在，则随机抽取未归类的污染场地的基本信息作为基准信息，循环进行匹配分析，直至全部污染场地分类完成；
在同一类污染场地中，获取污染治理效果最佳的3个污染场地治理方案，共享至该类污染场地的其他污染场地中进行污染治理方案参考；
实时更新污染场地治理共享平台数据；
其中，还包括：
获取历史将污染场地作为迁徙栖息地的野生动物信息，所述野生动物信息包括野生动物名称、迁徙时间、食物类型、庇护所类型、食物需求量；
获取污染场地的生态信息，所述生态信息包括动物名称、植物名称、污染范围；
根据所述生态信息调查污染场地的资源可用性信息，所述资源可用性信息包括食物可用性资源、水资源、庇护所资源；
通过互联网获取资源可用性信息中的各资源对野生动物生存适宜度的影响权重信息；
根据野生动物信息与资源可用性信息进行对比，判断将污染场地作为迁徙栖息地的野生动物生存适宜度；
若野生动物生存适宜度小于预设值，对污染场地的资源可用性信息进行分析，得到资源缺失差异性信息；
根据所述资源缺失差异性信息和野生动物生存适宜度的影响权重信息，对野生动物的栖息可用性资源进行人工补充。
8.根据权利要求7所述的一种污染场地植物修复的分析系统，其特征在于，所述根据预测报告和富集性作物数据库进行联合分析，推荐目标污染场地种植的富集性作物，形成目标污染场地种植方案，具体为：
获取目标污染场地需要种植作物的时间；
根据所述种植作物的时间和预测报告，得到该时间每个小区域的污染物类型；
根据每个小区域的污染物类型、环境数据、种植作物的时间与数据库中的富集性作物吸收污染物类型、富集性作物生存环境、富集性作物种植时间进行匹配，得到每个小区域的种植作物匹配度数据集；
根据种植作物匹配度数据集，对每个匹配度数据由高到低进行排序，并对每个匹配度进行打分，匹配度最高的为最高分，匹配度最低的为最低分；
根据数据库的一一映射关系，对同种富集性作物的每个匹配度的得分进行累加，选出得分最高的前三种作物作为小区域的推荐种植富集性作物，得到推荐结果；
根据每个小区域的推荐结果形成目标污染场地种植方案。
9.一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污染场地植物修复的分析方法程序，所述污染场地植物修复的分析方法程序被处理器执行时，实现如权利要求1至6中任一项所述的污染场地植物修复的分析方法的步骤。
CN202311117667.5A 2023-09-01 2023-09-01 一种污染场地植物修复的分析方法、系统及介质 Active CN116842350B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311117667.5A CN116842350B (zh) 2023-09-01 2023-09-01 一种污染场地植物修复的分析方法、系统及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311117667.5A CN116842350B (zh) 2023-09-01 2023-09-01 一种污染场地植物修复的分析方法、系统及介质

Publications (2)

Publication Number Publication Date
CN116842350A CN116842350A (zh) 2023-10-03
CN116842350B true CN116842350B (zh) 2023-11-03

Family

ID=88162048

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311117667.5A Active CN116842350B (zh) 2023-09-01 2023-09-01 一种污染场地植物修复的分析方法、系统及介质

Country Status (1)

Country Link
CN (1) CN116842350B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN117196156B (zh) * 2023-10-19 2024-02-06 北京建工环境修复股份有限公司 一种污染原位治理智能规划方法、系统及介质
CN117171695B (zh) * 2023-11-02 2024-01-02 北京建工环境修复股份有限公司 一种抗生素污染土壤生态修复效果评价的方法及系统
CN117172988B (zh) * 2023-11-02 2024-01-12 北京建工环境修复股份有限公司 基于大数据分析的微生物修复方案生成方法及系统
CN117172993B (zh) * 2023-11-02 2024-02-06 北京建工环境修复股份有限公司 一种基于微生物动态分析的污染场地评估方法及系统
CN117171223B (zh) * 2023-11-02 2024-02-06 北京建工环境修复股份有限公司 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
CN117172578B (zh) * 2023-11-02 2024-02-02 北京建工环境修复股份有限公司 一种基于微生物识别的土壤生态环境修复方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110346309A (zh) * 2019-06-09 2019-10-18 重庆工商大学融智学院 一种土壤重金属污染区域的预测预警方法
CN111760904A (zh) * 2020-06-30 2020-10-13 台州学院 一种用于重金属污染土壤修复的植物数据库
CN112507048A (zh) * 2020-11-11 2021-03-16 中国地质调查局水文地质环境地质调查中心 一种污染场地水土环境多要素一站式管理系统
CN115494047A (zh) * 2022-11-17 2022-12-20 广东博创佳禾科技有限公司 一种水环境农业污染物的检测方法及系统
CN116186566A (zh) * 2023-04-27 2023-05-30 北京建工环境修复股份有限公司 基于深度学习的扩散预测方法及系统
CN116307762A (zh) * 2023-02-28 2023-06-23 河北省地质矿产勘查开发局国土资源勘查中心(河北省矿山和地质灾害应急救援中心) 一种高岭土水土污染的防治方法

Family Cites Families (2)

* 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
CN114356880B (zh) * 2021-12-15 2023-04-11 浙江工业大学 基于数据驱动的小尺度区域大气污染物快速溯源方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110346309A (zh) * 2019-06-09 2019-10-18 重庆工商大学融智学院 一种土壤重金属污染区域的预测预警方法
CN111760904A (zh) * 2020-06-30 2020-10-13 台州学院 一种用于重金属污染土壤修复的植物数据库
CN112507048A (zh) * 2020-11-11 2021-03-16 中国地质调查局水文地质环境地质调查中心 一种污染场地水土环境多要素一站式管理系统
CN115494047A (zh) * 2022-11-17 2022-12-20 广东博创佳禾科技有限公司 一种水环境农业污染物的检测方法及系统
CN116307762A (zh) * 2023-02-28 2023-06-23 河北省地质矿产勘查开发局国土资源勘查中心(河北省矿山和地质灾害应急救援中心) 一种高岭土水土污染的防治方法
CN116186566A (zh) * 2023-04-27 2023-05-30 北京建工环境修复股份有限公司 基于深度学习的扩散预测方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Detecting Faulty Machinery of Waste Water Treatment Plant Using Statistical Analysis & Machine Learning;Md. Mazed Ul Islam;2022 25th International Conference on Computer and Information Technology (ICCIT);188-193 *
基于CiteSpace和知网数据库的《湖泊科学》创刊30年(1989-2018年)发表论文的文献计量学分析;陈俊梅;湖泊科学;第31卷(第4期);891-906 *

Also Published As

Publication number Publication date
CN116842350A (zh) 2023-10-03

Similar Documents

Publication Publication Date Title
CN116842350B (zh) 一种污染场地植物修复的分析方法、系统及介质
CN107944596B (zh) 一种基于物联网的甜瓜生长管理专家系统
Araujo et al. Impacts of drought on grape yields in Western Cape, South Africa
McQuillan et al. Differential effects of climate and species interactions on range limits at a hybrid zone: potential direct and indirect impacts of climate change
Dorrepaal Are plant growth‐form‐based classifications useful in predicting northern ecosystem carbon cycling feedbacks to climate change?
JP6580334B2 (ja) 情報処理装置、プログラム及び情報処理方法
Fonge et al. Patterns of land-use change and current vegetation status in peri-urban forest reserves: the case of the Barombi Mbo Forest Reserve, Cameroon
Fanelli The (un) sustainability of the land use practices and agricultural production in EU countries
CN116384776B (zh) 基于模糊评价的场地污染评估方法、系统及存储介质
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
Yan et al. The essential role of biodiversity in the key axes of ecosystem function
Marshall et al. Testing projected wild bee distributions in agricultural habitats: predictive power depends on species traits and habitat type
Pan et al. Climatic and geographic factors affect ecosystem multifunctionality through biodiversity in the Tibetan alpine grasslands
Firmansyah et al. Real-time Weed Identification Using Machine Learning and Image Processing in Oil Palm Plantations
CN113379188B (zh) 基于物联网的烟草轮作种植方法和系统
Guo Climate change and biodiversity conservation in Great Plains agroecosystems
Masaki et al. Horizontal and elevational patterns of masting across multiple species in a steep montane landscape from the perspective of forest mammal management
Robe et al. Comparative ecological niche modeling and evolutionary ecology of Neotropical mycophagous Drosophilidae (Diptera) species
Chowdhury et al. Mega–environment concept in agriculture: A review
CN113408895B (zh) 基于像元尺度的生态质量指数构建方法及系统
Longru et al. Assessing the effects of management alternatives on habitat suitability in a forested landscape of northeastern China
Ambrosini et al. Large-scale spatial distribution of breeding Barn Swallows Hirundo rustica in relation to cattle farming
Zamiri et al. Quantitative evaluation of spatial distribution of land use in Bojnord Using Ripley’s K function
Rodríguez-Pérez et al. Environment and density-dependency explain the fine-scale aggregation of tree recruits before and after thinning in a mixed forest of Southern Europe
CN115496300B (zh) 一种月季育苗生长信息及环境监测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant