CN116956755B - 一种矿山生态修复智能规划方法、系统及介质 - Google Patents
一种矿山生态修复智能规划方法、系统及介质 Download PDFInfo
- Publication number
- CN116956755B CN116956755B CN202311220633.9A CN202311220633A CN116956755B CN 116956755 B CN116956755 B CN 116956755B CN 202311220633 A CN202311220633 A CN 202311220633A CN 116956755 B CN116956755 B CN 116956755B
- Authority
- CN
- China
- Prior art keywords
- vegetation
- mine
- polluted
- area
- restoration
- 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 77
- 238000004088 simulation Methods 0.000 claims abstract description 77
- 230000008439 repair process Effects 0.000 claims abstract description 76
- 239000013043 chemical agent Substances 0.000 claims abstract description 67
- 238000004458 analytical method Methods 0.000 claims abstract description 47
- 238000005070 sampling Methods 0.000 claims abstract description 36
- 238000005516 engineering process Methods 0.000 claims abstract description 16
- 238000012876 topography Methods 0.000 claims abstract description 12
- 230000000694 effects Effects 0.000 claims description 77
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 67
- 239000003344 environmental pollutant Substances 0.000 claims description 37
- 231100000719 pollutant Toxicity 0.000 claims description 37
- 239000002689 soil Substances 0.000 claims description 29
- 230000007613 environmental effect Effects 0.000 claims description 26
- 238000005065 mining Methods 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 16
- 230000003595 spectral effect Effects 0.000 claims description 15
- 206010059866 Drug resistance Diseases 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 13
- 239000000126 substance Substances 0.000 claims description 13
- 239000003153 chemical reaction reagent Substances 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 10
- 238000011065 in-situ storage Methods 0.000 claims description 9
- 238000012544 monitoring process Methods 0.000 claims description 9
- 230000002093 peripheral effect Effects 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 8
- 238000012163 sequencing technique Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 239000004744 fabric Substances 0.000 claims description 4
- 239000011241 protective layer Substances 0.000 claims description 4
- 238000011084 recovery Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 5
- 239000000463 material Substances 0.000 abstract description 2
- 241000894007 species Species 0.000 description 45
- 229910052500 inorganic mineral Inorganic materials 0.000 description 3
- 239000011707 mineral Substances 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011066 ex-situ storage Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005067 remediation Methods 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000000356 contaminant Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 239000010410 layer Substances 0.000 description 1
- 230000017074 necrotic cell death Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 206010037844 rash Diseases 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- 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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Primary Health Care (AREA)
- Geometry (AREA)
- Development Economics (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
Abstract
本发明涉及生态修复领域，特别是一种矿山生态修复智能规划方法、系统及介质，包括以下步骤：基于遥感技术，地形地质分析和GIS系统，构建矿山修复仿真模型并获取矿山的待修复区域，对矿山的待修复区域进行取样分析并获取植被演变模拟数据，基于所属植被演变模拟数据进行化学药剂选型并对矿山的污染植被区域进行修复处理。本发明能够通过对矿山进行分析获取待修复区域，并对待修复区域进行修复规划，节省人力物力，提高修复效率，符合经济效益。
Description
技术领域
本发明涉及生态修复领域，特别是一种矿山生态修复智能规划方法、系统及介质。
背景技术
矿山是蕴含大量矿产资源的山脉，矿产资源对社会的发展起重大作用。对矿山内矿产资源进行开采的时候，通常会伴随着土地破坏、植被破坏和水体破坏等环境问题，同时也会导致矿产资源的枯竭，所以需要对开采后的矿山进行生态修复，使被破坏的植被、土地和水体得以修复。在矿山进行生态恢复过程中，会使用到化学药剂和修复设备，所述化学药剂和修复设备在修复过程中可能对矿山不需进行生态修复的区域或者周边区域造成影响，所以需要对生态修复进行规划，是生态修复的效果和造成的影响最小，满足经济效益。
发明内容
本发明克服了现有技术的不足，提供了一种矿山生态修复智能规划方法、系统及介质。
为达到上述目的，本发明采用的技术方案为：
本发明第一方面提供了一种矿山生态修复智能规划方法，包括以下步骤：
基于遥感技术、地形地质分析和GIS系统，构建矿山修复仿真模型并获取矿山待修复区域；
对所述矿山待修复区域进行取样分析，得到取样分析结果，构建矿山生态模型，在所述矿山生态模型上基于取样分析结果，进行植被模拟演变并获得植被演变模拟数据；
对矿山的污染植被区域进行化学药剂选型以及物种种类判断，并对矿山的污染植被区域进行初步修复；
对初步修复后的第二修复效果进行分析，对第二修复效果不满足预设效果的污染植被区域继续修复。
进一步的，本发明的一个较佳实施例中，所述基于遥感技术、地形地质分析和GIS系统，构建矿山修复仿真模型并获取矿山待修复区域，具体为：
在无人机上搭载激光雷达，所述激光雷达对矿山发射激光波束，激光雷达接收返回的激光波束，生成点云数据，对所述点云数据进行连接处理，生成矿山三维模型；
通过无人机获取矿山图像，对所述矿山图像进行图像降噪处理和图像特征提取处理，得到矿山特征数据，所述矿山特征数据包括植被与水源的分布位置；
使用高光谱监测仪，获取矿山中不同位置的光谱特征数据，基于光谱库匹配算法，对所述光谱特征数据进行数据匹配，确定矿山的污染植被和污染水源的分布位置；
基于历史数据检索，获取矿山的历史开采数据，基于GIS系统，对矿山的污染植被和污染水源的分布位置，矿山的历史开采数据和矿山特征数据进行数据整合，构建矿山数据库，将所述矿山数据库导入所述矿山三维模型中，得到矿山修复仿真模型；
基于所述矿山修复模型，得到矿山待修复区域。
进一步的，本发明的一个较佳实施例中，所述对所述矿山待修复区域进行取样分析，得到取样分析结果，构建矿山生态模型，在所述矿山生态模型上基于取样分析结果，进行植被模拟演变并获得植被演变模拟数据，具体为：
矿山待修复区域包括矿山上的污染植被区域和破损植被区域，对矿山的污染植被区域进行网格化划分，得到矿山污染植被子区域；
对所有矿山污染植被子区域进行植被土壤取样，并使用试剂法获取植被土壤中各元素的浓度，将所述植被土壤中个元素的浓度污染知识图谱中进行污染状况鉴定，得到矿山污染植被子区域的污染状况，所述矿山污染植被子区域的污染状况包括矿山污染植被子区域的污染种类和污染浓度；
结合矿山的破损植被区域的历史开采数据，对矿山的破损植被区域进行破损状况分析，破损状况包括破损植被区域的破损面积和破损深度；
基于矿山污染植被子区域的污染状况和矿山破损植被区域的破损状况，构建矿山生态模型，基于所述矿山生态模型，对矿山进行植被模拟演变并获得植被演变模拟数据。
进一步的，本发明的一个较佳实施例中，所述基于矿山污染植被子区域的污染状况和矿山破损植被区域的破损状况，构建矿山生态模型，基于所述矿山生态模型，对矿山进行植被模拟演变并获得植被演变模拟数据，具体为：
将矿山污染植被子区域的污染状况和矿山破损植被区域的破损状况统称为植被当前状态，将所述植被当前状态分为训练集和验证集，并将所述训练集导入卷积神经网络模型中进行卷积处理和最大池化处理，使用交叉熵函数对最大池化处理后得到的特征数据进行反向训练，并使用验证集对反向训练后的特征数据进行验证，直至误差收敛至预设值，得到矿山植被预测数据；
基于大数据检索，获取矿山污染植被子区域和矿山破损植被区域在被开采前的状态，定义为植被完好状态，获取所述植被完好状态与植被当前状态之间的偏差值，基于矿山的历史开采时间构建开采时步，将所述偏差值与开采时步结合得到基于时间序列的偏差值，引入马尔科夫链分析所述基于时间序列的偏差值，得到偏差状态概率值；
基于所述矿山修复仿真模型，构建矿山生态模型，将所述矿山植被预测数据和偏差状态概率值导入矿山生态模型中，矿山生态模型基于导入的数据，对植被的演变进行模拟，得到植被演变模拟数据。
进一步的，本发明的一个较佳实施例中，所述对矿山的污染植被区域进行化学药剂选型以及物种种类判断，并对矿山的污染植被区域进行初步修复，具体为：
基于所述植被演变模拟数据，获取污染植被区域的物种种类演变信息；
基于大数据网络，获取污染植被区域所需的所有化学药剂种类及对应的化学性质；
基于所述污染植被区域的物种种类演变信息，获取所有物种种类基本信息；
基于污染植被区域所需的所有化学药剂种类及对应的化学性质，对污染植被区域中物种进行耐药性分析，并获取各物种耐药性最小的化学药剂；
基于所述矿山修复仿真模型，将各物种耐药性最小的化学药剂分别作用在不同物种所在的修复区域内进行初步修复，得到初步修复效果；
对多数初步修复效果进行分析，若初步修复效果与预期初步修复效果的偏差值大于预设值，则获取对应化学药剂作用区域的环境参数，所述环境参数包括温度和湿度，使用灰色关联法获取环境参数与修复效果之间的关联值；
若关联值大于预设值，则在污染植被区域所需的所有化学药剂种类中，基于物种耐药性从大到小的原则，选择其他化学药剂作为矿山植被修复的化学药剂继续进行初步修复，得到第二修复效果；
若关联值小于预设值，则获取污染植被区域中所有物种的种类密度，按照物种种类密度由大到小的顺序，且选择物种耐药性最小的化学药剂，对污染植被区域进行分步修复，得到第二修复效果。
进一步的，本发明的一个较佳实施例中，所述对初步修复后的第二修复效果进行分析，对第二修复效果不满足预设效果的污染植被区域继续修复，具体为：
分析所述第二修复效果，若所述第二修复效果不满足预设值，则将第二修复效果不满足预设效果的污染植被区域标定为再修复污染植被区域；
获取再修复污染植被区域周边环境因素，所述再修复污染植被区域周边环境因素包括周边的建筑信息和水源信息，基于所述周边环境因素，对再修复污染植被区域进行修复排序，并构建修复排序表；
对所述再修复污染植被区域的污染物浓度和污染面积进行分析，若再修复污染植被区域的污染物浓度和污染面积均小于预设值，则在对应的再修复污染植被区域中使用污染植被修复设备进行原位修复；
若再修复污染植被区域的污染物浓度小于预设值，且污染面积大于预设值，则令对应的再修复污染植被区域自然安置，并在预设时间后对对应的再修复污染植被区域进行化学药剂修复；
若再修复污染植被区域的污染物浓度大于预设值，则在对应再修复污染植被区域处的污染植被全部清除，并对清除后剩下的污染土壤进行异位修复；
基于所述修复排序表，对所述污染植被修复设备的工作顺序进行排序。
本发明第二方面还提供了一种矿山生态修复智能规划系统，所述智能规划系统包括存储器与处理器，所述存储器中储存有一种矿山生态修复智能规划方法，所述一种矿山生态修复智能规划方法被所述处理器执行时，实现如下步骤：
基于遥感技术、地形地质分析和GIS系统，构建矿山修复仿真模型并获取矿山待修复区域；
对所述矿山待修复区域进行取样分析，得到取样分析结果，构建矿山生态模型，在所述矿山生态模型上基于取样分析结果，进行植被模拟演变并获得植被演变模拟数据；
对矿山的污染植被区域进行化学药剂选型以及物种种类判断，并对矿山的污染植被区域进行初步修复；
对初步修复后的第二修复效果进行分析，对第二修复效果不满足预设效果的污染植被区域继续修复。
本发明解决的背景技术中存在的技术缺陷，本发明具备以下有益效果：基于遥感技术，地形地质分析和GIS系统，构建矿山修复仿真模型并获取矿山的待修复区域，对矿山的待修复区域进行取样分析并获取植被演变模拟数据，基于所属植被演变模拟数据进行化学药剂选型并对矿山的污染植被区域进行修复处理。本发明能够通过对矿山进行分析获取待修复区域，并对待修复区域进行修复规划，节省人力物力，提高修复效率，符合经济效益。
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，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地介绍，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他实施例的附图。
图1示出了一种矿山生态修复智能规划方法的流程图；
图2示出了矿山生态修复过程的流程图；
图3示出了一种矿山生态修复智能规划系统的视图。
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示出了一种矿山生态修复智能规划方法的流程图，包括以下步骤：
S102：基于遥感技术、地形地质分析和GIS系统，构建矿山修复仿真模型并获取矿山待修复区域；
S104：对所述矿山待修复区域进行取样分析，得到取样分析结果，构建矿山生态模型，在所述矿山生态模型上基于取样分析结果，进行植被模拟演变并获得植被演变模拟数据；
S106：对矿山的污染植被区域进行化学药剂选型以及物种种类判断，并对矿山的污染植被区域进行初步修复；
S108：对初步修复后的第二修复效果进行分析，对第二修复效果不满足预设效果的污染植被区域继续修复。
进一步的，本发明的一个较佳实施例中，所述基于遥感技术、地形地质分析和GIS系统，构建矿山修复仿真模型并获取矿山待修复区域，具体为：
在无人机上搭载激光雷达，所述激光雷达对矿山发射激光波束，激光雷达接收返回的激光波束，生成点云数据，对所述点云数据进行连接处理，生成矿山三维模型；
通过无人机获取矿山图像，对所述矿山图像进行图像降噪处理和图像特征提取处理，得到矿山特征数据，所述矿山特征数据包括植被与水源的分布位置；
使用高光谱监测仪，获取矿山中不同位置的光谱特征数据，基于光谱库匹配算法，对所述光谱特征数据进行数据匹配，确定矿山的污染植被和污染水源的分布位置；
基于历史数据检索，获取矿山的历史开采数据，基于GIS系统，对矿山的污染植被和污染水源的分布位置，矿山的历史开采数据和矿山特征数据进行数据整合，构建矿山数据库，将所述矿山数据库导入所述矿山三维模型中，得到矿山修复仿真模型；
基于所述矿山修复模型，得到矿山待修复区域。
需要说明的是，矿山经过开采后，矿山上原有的植被会受到破坏和污染，对矿山进行生态修复的前提是获取矿山植被需要修复的区域，第一位矿山待修复区域。激光雷达扫描能够构建矿山三维模型，获取矿山的图像则能够得到矿山上植被的位置。所述高光谱检测仪作用是获取矿山土地光谱数据，其中不同地形地质，且植被中污染物浓度不同，其光谱特征也不同，所述光谱库中包含了污染植被和污染水源的光谱特征，将高光谱检测仪检测得到的光谱特征在光谱库中进行比较，可以确定矿山污染植被和污染水源的分布位置。所述GIS系统能够对数据进行整合，构建矿山数据库和矿山修复仿真模型。所述矿山修复仿真模型能够直观了解矿山的状态，并获取矿山待修复区域。本发明能够基于遥感技术、地形地质分析和GIS系统，构建矿山修复仿真模型并获取矿山待修复区域。
进一步的，本发明的一个较佳实施例中，所述对所述矿山待修复区域进行取样分析，得到取样分析结果，构建矿山生态模型，在所述矿山生态模型上基于取样分析结果，进行植被模拟演变并获得植被演变模拟数据，具体为：
矿山待修复区域包括矿山上的污染植被区域和破损植被区域，对矿山的污染植被区域进行网格化划分，得到矿山污染植被子区域；
对所有矿山污染植被子区域进行植被土壤取样，并使用试剂法获取植被土壤中各元素的浓度，将所述植被土壤中个元素的浓度污染知识图谱中进行污染状况鉴定，得到矿山污染植被子区域的污染状况，所述矿山污染植被子区域的污染状况包括矿山污染植被子区域的污染种类和污染浓度；
结合矿山的破损植被区域的历史开采数据，对矿山的破损植被区域进行破损状况分析，破损状况包括破损植被区域的破损面积和破损深度；
基于矿山污染植被子区域的污染状况和矿山破损植被区域的破损状况，构建矿山生态模型，基于所述矿山生态模型，对矿山进行植被模拟演变并获得植被演变模拟数据。
需要说明的是，矿山在开采过程中，开采设备可能会对矿山植被造成污染，甚至造成破坏，所以矿山待修复区域包括污染植被区域和破损植被区域。由于通过高光谱检测仪获取的光谱特征不能准确反映污染植被区域的污染物浓度，所以需要对污染植被区域进行抽样检测，为保持抽样检测的多样性和准确性，需要对污染植被区域划分为多个子区域。使用试剂法能够准确获得污染植被子区域的污染物浓度及污染物种类，为对污染植被子区域进行修复提供前提条件。历史开采数据反映了矿山开采的步骤和开采使用的工器具等，基于历史开采数据可以对矿山破损植被区域进行分析.所述生态模型能够对矿山植被的破环情况及破坏过程进行演示，得到植被演变模拟数据。本发明能够通过对污染植被区域进行抽样检测，及分析破损植被区域的破损情况，为矿山的植被演变模拟数据提供数据支撑。
进一步的，本发明的一个较佳实施例中，所述基于矿山污染植被子区域的污染状况和矿山破损植被区域的破损状况，构建矿山生态模型，基于所述矿山生态模型，对矿山进行植被模拟演变并获得植被演变模拟数据，具体为：
将矿山污染植被子区域的污染状况和矿山破损植被区域的破损状况统称为植被当前状态，将所述植被当前状态分为训练集和验证集，并将所述训练集导入卷积神经网络模型中进行卷积处理和最大池化处理，使用交叉熵函数对最大池化处理后得到的特征数据进行反向训练，并使用验证集对反向训练后的特征数据进行验证，直至误差收敛至预设值，得到矿山植被预测数据；
基于大数据检索，获取矿山污染植被子区域和矿山破损植被区域在被开采前的状态，定义为植被完好状态，获取所述植被完好状态与植被当前状态之间的偏差值，基于矿山的历史开采时间构建开采时步，将所述偏差值与开采时步结合得到基于时间序列的偏差值，引入马尔科夫链分析所述基于时间序列的偏差值，得到偏差状态概率值；
基于所述矿山修复仿真模型，构建矿山生态模型，将所述矿山植被预测数据和偏差状态概率值导入矿山生态模型中，矿山生态模型基于导入的数据，对植被的演变进行模拟，得到植被演变模拟数据。
需要说明的是，随时间变化，矿山的污染和破损会加剧，需要获取矿山污染植被区域和破损植被区域的矿山植被预测数据，所述矿山植被预测数据用于矿山生态模型进行植被演变的条件。使用卷积神经网络模型能够获取矿山植被预测数据。开采前的矿山植被区域属于完好状态，经过开采后为当前状态，由于矿山植被区域存在污染和破损为多种原因造成，所以引入马尔科夫链，能够得到造成矿山植被区域存在污染和破损的原因，即偏差状态概率值。所述偏差状态概率值和矿山植被预测数据均为植被演变的前提条件。本发明能够通过卷积神经网络模型和马尔科夫链结合的方法，获取矿山污染植被区域和破损植被区域的矿山植被预测数据和偏差状态概率值，从而获取植被演变模拟数据。
图2示出了矿山生态修复过程的流程图，包括以下步骤：
S202：对矿山的污染植被区域进行化学药剂选型以及物种种类判断，并对矿山的污染植被区域进行初步修复；
S204：确定再修复污染植被区域，基于所述周边环境因素，对再修复污染植被区域进行修复排序，并构建修复排序表；
S206：对再修复污染植被区域进行再修复处理。
进一步的，本发明的一个较佳实施例中，所述对矿山的污染植被区域进行化学药剂选型以及物种种类判断，并对矿山的污染植被区域进行初步修复，具体为：
基于所述植被演变模拟数据，获取污染植被区域的物种种类演变信息；
基于大数据网络，获取污染植被区域所需的所有化学药剂种类及对应的化学性质；
基于所述污染植被区域的物种种类演变信息，获取所有物种种类基本信息；
基于污染植被区域所需的所有化学药剂种类及对应的化学性质，对污染植被区域中物种进行耐药性分析，并获取各物种耐药性最小的化学药剂；
基于所述矿山修复仿真模型，将各物种耐药性最小的化学药剂分别作用在不同物种所在的修复区域内进行初步修复，得到初步修复效果；
对多数初步修复效果进行分析，若初步修复效果与预期初步修复效果的偏差值大于预设值，则获取对应化学药剂作用区域的环境参数，所述环境参数包括温度和湿度，使用灰色关联法获取环境参数与修复效果之间的关联值；
若关联值大于预设值，则在污染植被区域所需的所有化学药剂种类中，基于物种耐药性从大到小的原则，选择其他化学药剂作为矿山植被修复的化学药剂继续进行初步修复，得到第二修复效果；
若关联值小于预设值，则获取污染植被区域中所有物种的种类密度，按照物种种类密度由大到小的顺序，且选择物种耐药性最小的化学药剂，对污染植被区域进行分步修复，得到第二修复效果。
需要说明的是，所述污染植被区域的物种种类演变信息为污染植被的物种种类的变化情况，例如植物枯萎情况，农作物的坏死情况等。由于污染植被区域中物种种类丰富，且污染元素和物种的性质之间也不同，所以需要获取污染植被区域所需的所有化学药剂，不同的化学药剂对物种的作用性不同。对污染植被区域中物种进行耐药性原因是现在物种进化速度飞快，有些植被内的物种对化学试剂的免疫程度较高，化学试剂对植被起的作用较小，导致修复的效果不理想，所以需要使用物种耐药性最小的化学药剂来对植被进行化学修复，去除污染元素，使污染植被的污染浓度降低。当初步修复效果与预期初步修复效果之间的偏差值大于预设值，则证明初步修复效果不理想，同时证明使用的化学药剂存在问题。存在的问题可能是因为矿山内部通常比较高温，化学药剂作用在植被上时可能因为高温作用而蒸发或者产生其他化学反应，导致化学药剂起的作用较小，也可能是因为空气湿度较高，对化学药剂的化学反应造成影响。所以需要通过灰色关联法，判断偏差值与环境之间的关联程度，得到关联值。当关联值大于预设值，证明环境对化学药剂的作用影响较大，可以选用其他化学药剂对污染植被进行修复，得到第二修复效果；当关联值小鱼鱼设置，证明环境对化学药剂的作用影响不大，则问题可能出现在不同的化学药剂在同一个污染植被下可能发生化学反应，导致化学药剂对污染植被的修复效果下降，所以需要进行分步修复。由于污染植被中存在多个物种且分布密度不同，分布密度大的区域受矿山开采造成的影响较小，对此区域优先进行修复能够确保成功率，且提高修复效率，所以按照物种种类密度由大到小的顺序，且选择物种耐药性最小的化学药剂，对污染植被区域进行分步修复。本发明能够对化学药剂进行筛选，并选用合适的化学药剂对污染植被区域进行初次修复，并在初次修复期间对修复顺序及修复方法进行优化更正。
进一步的，本发明的一个较佳实施例中，所述对再修复污染植被区域进行再修复处理，具体为：
对所述再修复污染植被区域的污染物浓度和污染面积进行分析，若再修复污染植被区域的污染物浓度和污染面积均小于预设值，则在对应的再修复污染植被区域中使用污染植被修复设备进行原位修复；
若再修复污染植被区域的污染物浓度小于预设值，且污染面积大于预设值，则令对应的再修复污染植被区域自然安置，并在预设时间后对对应的再修复污染植被区域进行化学药剂修复；
若再修复污染植被区域的污染物浓度大于预设值，则在对应再修复污染植被区域处的污染植被全部清除，并对清除后剩下的污染土壤进行异位修复；
基于所述修复排序表，对所述污染植被修复设备的工作顺序进行排序。
需要说明的是，再修复污染植被区域中的污染物浓度经过化学药剂作用后会被稀释，所以对再修复污染植被区域有原位修复和异位修复两种修复方法。所述原位修复为在污染植被区域内使用污染植被修复设备直接进行修复，异位修复为将污染植被区域的污染部分转移至其他地方修复，修复完成后再运送至原位。分析再修复污染植被区域的污染物浓度和污染面积，当污染物浓度和污染面积均小于预设值，则进行原位修复能够提高修复的效率；当污染物浓度小于预设值，但污染面积较大时，虽然可以进行原位修复，但污染面积较大，原位修复的成本较高，不利于经济效益，且污染物浓度小于预设值，证明化学试剂的作用效果较好，可以继续通过化学试剂对污染植被区域进行修复，且修复的间隔可以相应延长，使残留的化学药剂充分发挥作用。若污染物浓度大于预设值，则将对应再修复污染植被区域处的污染植被全部清除，并对清除后剩下的污染土壤进行异位修复。由于污染植被修复设备的数量有限，所以对污染植被区域的修复需要有先后顺序，所述修复排序表反映了周边的环境状态，例如：在污染植被区域附近可能存在居民生活区和耕地区域，则此污染植被区域在居民的休息时间不可工作。所以基于所述修复排序表，对所述污染植被修复设备的工作顺序进行排序。本发明能够通过对再修复污染植被区域进行污染物浓度和污染面积判断，指定不同的再修复方案。
此外，所述一种矿山生态修复智能规划方法，还包括以下步骤：
基于所述矿山修复仿真模型，获取矿山的污染水源位置及水流流向，基于所述污染水源位置及水流流向，水流流经处对水进行净化处理，并获取污染水源周边的环境要素，基于所述周边的环境要素对污染水源进行水质改善；
基于所述矿山修复仿真模型，分析所述破损植被区域的植被破损深度；
若植被的破损深度小于预设值，则将对应的破损植被区域标定为一号破损植被区域，设计给排水系统将污染物浓度小于预设值的水源作为一号破损植被区域的水源，在所述一号破损植被区域中散播种子，并使所述种子自然生长；
若植被的破损深度大于预设值，则将对应的破损植被区域标定为二号破损植被区域，则同样设计给排水系统将污染物浓度小于预设值的水源作为二号破损植被区域的水源，在所述二号破损植被区域中增加土壤并散播种子，利用生态过程技术在所述一号破损植被区域内引导植被的恢复，并搭建保护层保护裸露的土壤，直至植被恢复。
需要说明的是，在开采过程中可能对水源造成污染或者对水流流向造成破坏，且水源处可能存在化工厂等会对水源造成污染的因素，所以需要获取污染水源周边的环境要素，例如周边的化工厂、村庄等，并对污染水源进行改善。当植被的破损深度小于预设值，则开采时对植被的影响较小，对植被进行污染清除后即可设计给排水系统将水引导至一号破损植被区域，并散播植被植物的种子使种子在自然环境下生长。当植被破损深度大于预设值，证明开采时对植被的破坏程度较大，植被的土壤可能被完全破环，土壤的含量较少甚至土壤下的岩石层裸露出，且不可在破损的植被区域进行植被的恢复。所以需要设计给排水系统引导水至二号破损植被区域，并在所述二号破损植被区域添加足量的土壤，来进行植被的恢复。在二号破损植被区域的恢复过程中，需要利用生态工程技术保护生态系统，所述生态工程技术包括但不限于搭建人工湿地、植物栅栏和植物绳网。搭建保护层对土壤进行保护原因是在植被恢复前，土壤容易受风化，需要保护裸露土壤。本发明能够通过对破损植被区域进行植被破损深度分析，并基于植被破损深度对破损植被区域进行改善。
此外，所述一种矿山生态修复智能规划方法，还包括以下步骤：
基于历史数据，对所述二号破损植被区域进行地质监测，得到地质监测结果；
将所述地质监测结果导入卷积神经网络中进行地质演变预测，得到地质演变预测数据，将所述地质演变检测数据导入地质灾害知识图谱中进行地质灾害预测；
基于历史数据，获取各种地质灾害的影响程度，基于所述各种地质灾害的影响程度，将地质灾害知识图谱中的地质灾害类型进行分级处理，地质灾害等级为1级、2级和3级；
若二号破损植被区域的地质灾害等级为3级，则对所述二号破损植被区域正常进行植被恢复处理；
若二号破损植被区域的地质灾害等级为2级，则将对应的二号破损植被区域划为地质待修复区，并基于大数据网络获取二号破损植被区域的地质修复方案，所述地质修复方案的修复性质、修复效率和修复效果均需满足修复效果；
若二号破损植被区域的地质灾害等级为1级，则将对应的二号破损植被区域划为禁区，并使用网布将禁区进行覆盖处理。
需要说明的是，对矿山进行开采会导致矿山的地质发生变化，容易造成山洪灾害、地震、岩浆喷发等地质灾害。由于二号破损植被区域的植被破损深度较大，更容易引发地质灾害，所以需要对二号破损植被区域进行地质灾害预测。获取地质演变预测数据，并将所述地质演变预测数据导入地质灾害知识图谱中进行地质灾害预测，可以获得该区域未来可能会发生的地质灾害类型。将地质灾害类型进行分级，1级为地质状态处于危险状态。2级为地质状态处于可调控状态，3级为地质状态处于正常状态。当地质灾害等级为3级，可以直接在对应的二号破损植被区域进行植被恢复；当地质灾害等级为2级，则需要对对应的二号破损植被区域进行地质修复，地质修复方案满足修复性质的意思是在修复过程中不出现人亲自修复，从而保证人的生命财产安全，满足修复效率意思是修复的速度需在多种修复方案中最快，修复效果意思是修复后的地质状态需为正常状态。当地质灾害等级为1级，则对应的二号破损植被区域发生地质灾害的可能性极大，为保证人身安全，需将对应的二号破损植被区域列为禁区，食用网布将禁区进行覆盖处理目的是防止发生山泥倾泻对生命财产安全造成验证损害。本发明能够通过对二号破损植物区域进行地质灾害检测和分级，制定不同的方案，保护人身安全和财产安全。
如图3所示，本发明第二方面还提供了一种矿山生态修复智能规划系统，所述智能规划系统包括存储器31与处理器32，所述存储器31中储存有一种矿山生态修复智能规划方法，所述一种矿山生态修复智能规划方法被所述处理器32执行时，实现如下步骤：
基于遥感技术、地形地质分析和GIS系统，构建矿山修复仿真模型并获取矿山待修复区域；
对所述矿山待修复区域进行取样分析，得到取样分析结果，构建矿山生态模型，在所述矿山生态模型上基于取样分析结果，进行植被模拟演变并获得植被演变模拟数据；
对矿山的污染植被区域进行化学药剂选型以及物种种类判断，并对矿山的污染植被区域进行初步修复；
对初步修复后的第二修复效果进行分析，对第二修复效果不满足预设效果的污染植被区域继续修复。
本发明第三方面还提供了一种计算机可读介质，所述计算机可读存储介质中包含一种矿山生态修复智能规划方法程序，所述一种矿山生态修复智能规划方法程序被处理器执行时，实现任一项所述的一种矿山生态修复智能规划方法。
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，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权利要求的保护范围为准。
Claims (5)
1.一种矿山生态修复智能规划方法，其特征在于，包括以下步骤：
基于遥感技术、地形地质分析和GIS系统，构建矿山修复仿真模型并获取矿山待修复区域；
对所述矿山待修复区域进行取样分析，得到取样分析结果，构建矿山生态模型，在所述矿山生态模型上基于取样分析结果，进行植被模拟演变并获得植被演变模拟数据；
对矿山的污染植被区域进行化学药剂选型以及物种种类判断，并对矿山的污染植被区域进行初步修复；
对初步修复后的第二修复效果进行分析，对第二修复效果不满足预设效果的污染植被区域继续修复；
其中，所述对所述矿山待修复区域进行取样分析，得到取样分析结果，构建矿山生态模型，在所述矿山生态模型上基于取样分析结果，进行植被模拟演变并获得植被演变模拟数据，具体为：
矿山待修复区域包括矿山上的污染植被区域和破损植被区域，对矿山的污染植被区域进行网格化划分，得到矿山污染植被子区域；
对所有矿山污染植被子区域进行植被土壤取样，并使用试剂法获取植被土壤中各元素的浓度，将所述植被土壤中个元素的浓度污染知识图谱中进行污染状况鉴定，得到矿山污染植被子区域的污染状况，所述矿山污染植被子区域的污染状况包括矿山污染植被子区域的污染种类和污染浓度；
结合矿山的破损植被区域的历史开采数据，对矿山的破损植被区域进行破损状况分析，破损状况包括破损植被区域的破损面积和破损深度；
基于矿山污染植被子区域的污染状况和矿山破损植被区域的破损状况，构建矿山生态模型，基于所述矿山生态模型，对矿山进行植被模拟演变并获得植被演变模拟数据；
其中，所述基于矿山污染植被子区域的污染状况和矿山破损植被区域的破损状况，构建矿山生态模型，基于所述矿山生态模型，对矿山进行植被模拟演变并获得植被演变模拟数据，具体为：
将矿山污染植被子区域的污染状况和矿山破损植被区域的破损状况统称为植被当前状态，将所述植被当前状态分为训练集和验证集，并将所述训练集导入卷积神经网络模型中进行卷积处理和最大池化处理，使用交叉熵函数对最大池化处理后得到的特征数据进行反向训练，并使用验证集对反向训练后的特征数据进行验证，直至误差收敛至预设值，得到矿山植被预测数据；
基于大数据检索，获取矿山污染植被子区域和矿山破损植被区域在被开采前的状态，定义为植被完好状态，获取所述植被完好状态与植被当前状态之间的偏差值，基于矿山的历史开采时间构建开采时步，将所述偏差值与开采时步结合得到基于时间序列的偏差值，引入马尔科夫链分析所述基于时间序列的偏差值，得到偏差状态概率值；
基于所述矿山修复仿真模型，构建矿山生态模型，将所述矿山植被预测数据和偏差状态概率值导入矿山生态模型中，矿山生态模型基于导入的数据，对植被的演变进行模拟，得到植被演变模拟数据；
其中，所述对矿山的污染植被区域进行化学药剂选型以及物种种类判断，并对矿山的污染植被区域进行初步修复，具体为：
基于所述植被演变模拟数据，获取污染植被区域的物种种类演变信息；
基于大数据网络，获取污染植被区域所需的所有化学药剂种类及对应的化学性质；
基于所述污染植被区域的物种种类演变信息，获取所有物种种类基本信息；
基于污染植被区域所需的所有化学药剂种类及对应的化学性质，对污染植被区域中物种进行耐药性分析，并获取各物种耐药性最小的化学药剂；
基于所述矿山修复仿真模型，将各物种耐药性最小的化学药剂分别作用在不同物种所在的修复区域内进行初步修复，得到初步修复效果；
对多数初步修复效果进行分析，若初步修复效果与预期初步修复效果的偏差值大于预设值，则获取对应化学药剂作用区域的环境参数，所述环境参数包括温度和湿度，使用灰色关联法获取环境参数与修复效果之间的关联值；
若关联值大于预设值，则在污染植被区域所需的所有化学药剂种类中，基于物种耐药性从大到小的原则，选择其他化学药剂作为矿山植被修复的化学药剂继续进行初步修复，得到第二修复效果；
若关联值小于预设值，则获取污染植被区域中所有物种的种类密度，按照物种种类密度由大到小的顺序，且选择物种耐药性最小的化学药剂，对污染植被区域进行分步修复，得到第二修复效果；
其中，一种矿山生态修复智能规划方法，还包括以下步骤：
基于所述矿山修复仿真模型，获取矿山的污染水源位置及水流流向，基于所述污染水源位置及水流流向，水流流经处对水进行净化处理，并获取污染水源周边的环境要素，基于所述周边的环境要素对污染水源进行水质改善；
基于所述矿山修复仿真模型，分析所述破损植被区域的植被破损深度；
若植被的破损深度小于预设值，则将对应的破损植被区域标定为一号破损植被区域，设计给排水系统将污染物浓度小于预设值的水源作为一号破损植被区域的水源，在所述一号破损植被区域中散播种子，并使所述种子自然生长；
若植被的破损深度大于预设值，则将对应的破损植被区域标定为二号破损植被区域，则同样设计给排水系统将污染物浓度小于预设值的水源作为二号破损植被区域的水源，在所述二号破损植被区域中增加土壤并散播种子，利用生态过程技术在所述一号破损植被区域内引导植被的恢复，并搭建保护层保护裸露的土壤，直至植被恢复；
其中，一种矿山生态修复智能规划方法，还包括以下步骤：
基于历史数据，对所述二号破损植被区域进行地质监测，得到地质监测结果；
将所述地质监测结果导入卷积神经网络中进行地质演变预测，得到地质演变预测数据，将所述地质演变检测数据导入地质灾害知识图谱中进行地质灾害预测；
基于历史数据，获取各种地质灾害的影响程度，基于所述各种地质灾害的影响程度，将地质灾害知识图谱中的地质灾害类型进行分级处理，地质灾害等级为1级、2级和3级；
若二号破损植被区域的地质灾害等级为3级，则对所述二号破损植被区域正常进行植被恢复处理；
若二号破损植被区域的地质灾害等级为2级，则将对应的二号破损植被区域划为地质待修复区，并基于大数据网络获取二号破损植被区域的地质修复方案，所述地质修复方案的修复性质、修复效率和修复效果均需满足修复效果；
若二号破损植被区域的地质灾害等级为1级，则将对应的二号破损植被区域划为禁区，并使用网布将禁区进行覆盖处理。
2.根据权利要求1中所述的一种矿山生态修复智能规划方法，其特征在于，所述基于遥感技术、地形地质分析和GIS系统，构建矿山修复仿真模型并获取矿山待修复区域，具体为：
在无人机上搭载激光雷达，所述激光雷达对矿山发射激光波束，激光雷达接收返回的激光波束，生成点云数据，对所述点云数据进行连接处理，生成矿山三维模型；
通过无人机获取矿山图像，对所述矿山图像进行图像降噪处理和图像特征提取处理，得到矿山特征数据，所述矿山特征数据包括植被与水源的分布位置；
使用高光谱监测仪，获取矿山中不同位置的光谱特征数据，基于光谱库匹配算法，对所述光谱特征数据进行数据匹配，确定矿山的污染植被和污染水源的分布位置；
基于历史数据检索，获取矿山的历史开采数据，基于GIS系统，对矿山的污染植被和污染水源的分布位置，矿山的历史开采数据和矿山特征数据进行数据整合，构建矿山数据库，将所述矿山数据库导入所述矿山三维模型中，得到矿山修复仿真模型；
基于所述矿山修复模型，得到矿山待修复区域。
3.根据权利要求1中所述的一种矿山生态修复智能规划方法，其特征在于，所述对初步修复后的第二修复效果进行分析，对第二修复效果不满足预设效果的污染植被区域继续修复，具体为：
分析所述第二修复效果，若所述第二修复效果不满足预设值，则将第二修复效果不满足预设效果的污染植被区域标定为再修复污染植被区域；
获取再修复污染植被区域周边环境因素，所述再修复污染植被区域周边环境因素包括周边的建筑信息和水源信息，基于所述周边环境因素，对再修复污染植被区域进行修复排序，并构建修复排序表；
对所述再修复污染植被区域的污染物浓度和污染面积进行分析，若再修复污染植被区域的污染物浓度和污染面积均小于预设值，则在对应的再修复污染植被区域中使用污染植被修复设备进行原位修复；
若再修复污染植被区域的污染物浓度小于预设值，且污染面积大于预设值，则令对应的再修复污染植被区域自然安置，并在预设时间后对对应的再修复污染植被区域进行化学药剂修复；
若再修复污染植被区域的污染物浓度大于预设值，则在对应再修复污染植被区域处的污染植被全部清除，并对清除后剩下的污染土壤进行异位修复；
基于所述修复排序表，对所述污染植被修复设备的工作顺序进行排序。
4.一种矿山生态修复智能规划系统，其特征在于，所述智能规划系统包括存储器与处理器，所述存储器中储存有一种矿山生态修复智能规划方法，所述一种矿山生态修复智能规划方法被所述处理器执行时，实现如下步骤：
基于遥感技术、地形地质分析和GIS系统，构建矿山修复仿真模型并获取矿山待修复区域；
对所述矿山待修复区域进行取样分析，得到取样分析结果，构建矿山生态模型，在所述矿山生态模型上基于取样分析结果，进行植被模拟演变并获得植被演变模拟数据；
对矿山的污染植被区域进行化学药剂选型以及物种种类判断，并对矿山的污染植被区域进行初步修复；
对初步修复后的第二修复效果进行分析，对第二修复效果不满足预设效果的污染植被区域继续修复；
其中，所述对所述矿山待修复区域进行取样分析，得到取样分析结果，构建矿山生态模型，在所述矿山生态模型上基于取样分析结果，进行植被模拟演变并获得植被演变模拟数据，具体为：
矿山待修复区域包括矿山上的污染植被区域和破损植被区域，对矿山的污染植被区域进行网格化划分，得到矿山污染植被子区域；
对所有矿山污染植被子区域进行植被土壤取样，并使用试剂法获取植被土壤中各元素的浓度，将所述植被土壤中个元素的浓度污染知识图谱中进行污染状况鉴定，得到矿山污染植被子区域的污染状况，所述矿山污染植被子区域的污染状况包括矿山污染植被子区域的污染种类和污染浓度；
结合矿山的破损植被区域的历史开采数据，对矿山的破损植被区域进行破损状况分析，破损状况包括破损植被区域的破损面积和破损深度；
基于矿山污染植被子区域的污染状况和矿山破损植被区域的破损状况，构建矿山生态模型，基于所述矿山生态模型，对矿山进行植被模拟演变并获得植被演变模拟数据；
其中，所述基于矿山污染植被子区域的污染状况和矿山破损植被区域的破损状况，构建矿山生态模型，基于所述矿山生态模型，对矿山进行植被模拟演变并获得植被演变模拟数据，具体为：
将矿山污染植被子区域的污染状况和矿山破损植被区域的破损状况统称为植被当前状态，将所述植被当前状态分为训练集和验证集，并将所述训练集导入卷积神经网络模型中进行卷积处理和最大池化处理，使用交叉熵函数对最大池化处理后得到的特征数据进行反向训练，并使用验证集对反向训练后的特征数据进行验证，直至误差收敛至预设值，得到矿山植被预测数据；
基于大数据检索，获取矿山污染植被子区域和矿山破损植被区域在被开采前的状态，定义为植被完好状态，获取所述植被完好状态与植被当前状态之间的偏差值，基于矿山的历史开采时间构建开采时步，将所述偏差值与开采时步结合得到基于时间序列的偏差值，引入马尔科夫链分析所述基于时间序列的偏差值，得到偏差状态概率值；
基于所述矿山修复仿真模型，构建矿山生态模型，将所述矿山植被预测数据和偏差状态概率值导入矿山生态模型中，矿山生态模型基于导入的数据，对植被的演变进行模拟，得到植被演变模拟数据；
其中，所述对矿山的污染植被区域进行化学药剂选型以及物种种类判断，并对矿山的污染植被区域进行初步修复，具体为：
基于所述植被演变模拟数据，获取污染植被区域的物种种类演变信息；
基于大数据网络，获取污染植被区域所需的所有化学药剂种类及对应的化学性质；
基于所述污染植被区域的物种种类演变信息，获取所有物种种类基本信息；
基于污染植被区域所需的所有化学药剂种类及对应的化学性质，对污染植被区域中物种进行耐药性分析，并获取各物种耐药性最小的化学药剂；
基于所述矿山修复仿真模型，将各物种耐药性最小的化学药剂分别作用在不同物种所在的修复区域内进行初步修复，得到初步修复效果；
对多数初步修复效果进行分析，若初步修复效果与预期初步修复效果的偏差值大于预设值，则获取对应化学药剂作用区域的环境参数，所述环境参数包括温度和湿度，使用灰色关联法获取环境参数与修复效果之间的关联值；
若关联值大于预设值，则在污染植被区域所需的所有化学药剂种类中，基于物种耐药性从大到小的原则，选择其他化学药剂作为矿山植被修复的化学药剂继续进行初步修复，得到第二修复效果；
若关联值小于预设值，则获取污染植被区域中所有物种的种类密度，按照物种种类密度由大到小的顺序，且选择物种耐药性最小的化学药剂，对污染植被区域进行分步修复，得到第二修复效果；
其中，一种矿山生态修复智能规划方法，还包括以下步骤：
基于所述矿山修复仿真模型，获取矿山的污染水源位置及水流流向，基于所述污染水源位置及水流流向，水流流经处对水进行净化处理，并获取污染水源周边的环境要素，基于所述周边的环境要素对污染水源进行水质改善；
基于所述矿山修复仿真模型，分析所述破损植被区域的植被破损深度；
若植被的破损深度小于预设值，则将对应的破损植被区域标定为一号破损植被区域，设计给排水系统将污染物浓度小于预设值的水源作为一号破损植被区域的水源，在所述一号破损植被区域中散播种子，并使所述种子自然生长；
若植被的破损深度大于预设值，则将对应的破损植被区域标定为二号破损植被区域，则同样设计给排水系统将污染物浓度小于预设值的水源作为二号破损植被区域的水源，在所述二号破损植被区域中增加土壤并散播种子，利用生态过程技术在所述一号破损植被区域内引导植被的恢复，并搭建保护层保护裸露的土壤，直至植被恢复；
其中，一种矿山生态修复智能规划方法，还包括以下步骤：
基于历史数据，对所述二号破损植被区域进行地质监测，得到地质监测结果；
将所述地质监测结果导入卷积神经网络中进行地质演变预测，得到地质演变预测数据，将所述地质演变检测数据导入地质灾害知识图谱中进行地质灾害预测；
基于历史数据，获取各种地质灾害的影响程度，基于所述各种地质灾害的影响程度，将地质灾害知识图谱中的地质灾害类型进行分级处理，地质灾害等级为1级、2级和3级；
若二号破损植被区域的地质灾害等级为3级，则对所述二号破损植被区域正常进行植被恢复处理；
若二号破损植被区域的地质灾害等级为2级，则将对应的二号破损植被区域划为地质待修复区，并基于大数据网络获取二号破损植被区域的地质修复方案，所述地质修复方案的修复性质、修复效率和修复效果均需满足修复效果；
若二号破损植被区域的地质灾害等级为1级，则将对应的二号破损植被区域划为禁区，并使用网布将禁区进行覆盖处理。
5.一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含一种矿山生态修复智能规划方法程序，所述一种矿山生态修复智能规划方法程序被处理器执行时，实现权利要求1-3任一项所述的一种矿山生态修复智能规划方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311220633.9A CN116956755B (zh) | 2023-09-21 | 2023-09-21 | 一种矿山生态修复智能规划方法、系统及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311220633.9A CN116956755B (zh) | 2023-09-21 | 2023-09-21 | 一种矿山生态修复智能规划方法、系统及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116956755A CN116956755A (zh) | 2023-10-27 |
| CN116956755B true CN116956755B (zh) | 2023-12-19 |
Family
ID=88458767
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311220633.9A Active CN116956755B (zh) | 2023-09-21 | 2023-09-21 | 一种矿山生态修复智能规划方法、系统及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116956755B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117575110B (zh) * | 2024-01-16 | 2024-03-15 | 四川省自然资源科学研究院(四川省生产力促进中心) | 一种基于土壤重构的矿山修复效果预测方法及相关设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109923968A (zh) * | 2019-04-27 | 2019-06-25 | 吴镇宇 | 一种矿山生态修复系统 |
| CN111144353A (zh) * | 2019-12-30 | 2020-05-12 | 内蒙古蒙草生命共同体大数据有限公司 | 一种矿山修复方法 |
| CN112122332A (zh) * | 2020-09-03 | 2020-12-25 | 常德鑫芙蓉环保有限公司 | 废弃矿山的土壤生态修复方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013141252A1 (ja) * | 2012-03-21 | 2013-09-26 | 株式会社 東芝 | 生物多様性評価指標計算装置、方法、及びプログラム |
-
2023
- 2023-09-21 CN CN202311220633.9A patent/CN116956755B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109923968A (zh) * | 2019-04-27 | 2019-06-25 | 吴镇宇 | 一种矿山生态修复系统 |
| CN111144353A (zh) * | 2019-12-30 | 2020-05-12 | 内蒙古蒙草生命共同体大数据有限公司 | 一种矿山修复方法 |
| CN112122332A (zh) * | 2020-09-03 | 2020-12-25 | 常德鑫芙蓉环保有限公司 | 废弃矿山的土壤生态修复方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116956755A (zh) | 2023-10-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116956755B (zh) | 一种矿山生态修复智能规划方法、系统及介质 | |
| Amirabdollahian et al. | Identification of contaminant source characteristics and monitoring network design in groundwater aquifers: an overview | |
| CN116362572B (zh) | 一种在产园区地下水污染分区分级评价方法 | |
| CN116502376A (zh) | 一种矿区开发区域监控设备布局方法及系统 | |
| CN113780719A (zh) | 一种矿山地质环境综合评价方法 | |
| US20100082375A1 (en) | Asset integrity management system and methodology for underground storage | |
| Chitsazan et al. | A hierarchical Bayesian model averaging framework for groundwater prediction under uncertainty | |
| Denham et al. | Improving long-term monitoring of contaminated groundwater at sites where attenuation-based remedies are deployed | |
| Chiprés et al. | Geochemical mapping of major and trace elements in soils from the Altiplano Potosino, Mexico: a multi-scale comparison | |
| Yang et al. | Risk-based monitoring network design for geologic carbon storage sites | |
| Last et al. | Derivation of groundwater threshold values for analysis of impacts predicted at potential carbon sequestration sites | |
| Stenhouse et al. | Current status of risk assessment and regulatory frameworks for geological CO2 storage | |
| Ko et al. | Optimal groundwater remediation design of a pump and treat system considering clean-up time | |
| CN117113830B (zh) | 一种基于数据分析的山体修复评估预测系统 | |
| CN116363502B (zh) | 融合多源地理大数据的采矿地多维信息获取方法及装置 | |
| Tarchini et al. | Twenty years monitoring of soil CO2 flux and seismicity at Cava dei Selci gas discharge (Colli Albani volcano, Italy) | |
| CN115147011B (zh) | 一种地表水与林地损害鉴定评估方法及装置、设备和介质 | |
| Antunes et al. | Uranium and arsenic spatial distribution in the Águeda watershed groundwater | |
| Denham et al. | A new paradigm for long term monitoring at the F-Area Seepage Basins, Savannah River Site | |
| Makhaba et al. | Wildfire path prediction spread using machine learning | |
| Schmidt et al. | Application of deep convolutional networks for improved risk assessments of post-wildfire drinking water contamination | |
| Cody et al. | Stochastic injection-strategy optimization for the preliminary assessment of candidate geological storage sites | |
| Benà et al. | A new perspective in radon risk assessment: Mapping the geological hazard as a first step to define the collective radon risk exposure | |
| Hamed | Screening level modeling of long-term impact of petroleum hydrocarbon contamination on fresh groundwater lenses in the Arabian Gulf region | |
| CN116824513B (zh) | 基于深度学习的钻探过程自动识别监管方法及系统 |
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 |