CN117787570B - 一种水环境重金属污染综合评价方法及系统 - Google Patents
一种水环境重金属污染综合评价方法及系统 Download PDFInfo
- Publication number
- CN117787570B CN117787570B CN202410206269.9A CN202410206269A CN117787570B CN 117787570 B CN117787570 B CN 117787570B CN 202410206269 A CN202410206269 A CN 202410206269A CN 117787570 B CN117787570 B CN 117787570B
- Authority
- CN
- China
- Prior art keywords
- heavy metal
- data
- metal pollution
- index
- layer
- 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
- 229910001385 heavy metal Inorganic materials 0.000 title claims abstract description 121
- 238000011156 evaluation Methods 0.000 title claims abstract description 100
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000013210 evaluation model Methods 0.000 claims abstract description 26
- 238000007781 pre-processing Methods 0.000 claims abstract description 18
- 239000011159 matrix material Substances 0.000 claims description 33
- 239000013598 vector Substances 0.000 claims description 30
- 238000004364 calculation method Methods 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 21
- 210000002569 neuron Anatomy 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 13
- 239000013049 sediment Substances 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 9
- 231100000419 toxicity Toxicity 0.000 claims description 9
- 230000001988 toxicity Effects 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 208000010501 heavy metal poisoning Diseases 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 230000036541 health Effects 0.000 claims description 5
- 239000003086 colorant Substances 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 230000036039 immunity Effects 0.000 claims description 3
- 230000007774 longterm Effects 0.000 claims description 3
- 230000005012 migration Effects 0.000 claims description 3
- 238000013508 migration Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000011664 signaling Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 231100000693 bioaccumulation Toxicity 0.000 description 1
- 229910052793 cadmium Inorganic materials 0.000 description 1
- BDOSMKKIYDKNTQ-UHFFFAOYSA-N cadmium atom Chemical compound [Cd] BDOSMKKIYDKNTQ-UHFFFAOYSA-N 0.000 description 1
- 239000000356 contaminant Substances 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 description 1
- 229910052753 mercury Inorganic materials 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及污染评估的技术领域，提供了一种水环境重金属污染综合评价方法及系统，所述方法包括：构建重金属污染评估指标体系，根据构建的指标体系采集水环境中的重金属污染数据，对收集到的数据进行预处理，将不同指标的数据统一到相同的量纲和范围内，根据指标的重要性和贡献度，确定各个指标的权重，并根据确定的权重和标准化后的数据，构建综合评价模型，以最终的评价结果作为输出，最后将综合评价模型得到的评价结果进行解释和分析，将评价结果分为不同等级以直观地表示水环境重金属污染的程度。
Description
技术领域
本发明涉及污染评估的技术领域，尤其涉及一种水环境重金属污染综合评价方法及系统。
背景技术
随着工业化和城市化的快速发展，大量的重金属污染物被排放到水体中，如铅、汞、镉等。这些重金属污染物具有持久性、毒性和生物积累性，对水生生物和人类健康造成潜在风险。因此，开展水环境重金属污染的综合评价对于保护水生态环境和人类健康具有重要意义，但现有的评价方法主要基于单一指标或少数指标，无法全面反映重金属污染的复杂性和综合性。缺乏综合评价方法限制了对重金属污染整体状况的准确评估。本发明提出一种水环境重金属污染综合评价方法及系统，综合评价重金属污染的程度和影响，为环境保护部门提供科学依据，制定和改进相关环境保护政策和措施。
发明内容
有鉴于此，本发明提供一种水环境重金属污染综合评价方法及系统，目的在于：1）提出一种水环境重金属污染综合评价方法，通过数据采集处理和综合评价模型构建等技术的结合能够提供一个全面、准确的重金属污染评价系统，为水环境管理和决策提供科学依据，有助于改善水环境质量和保护生态环境；2）基于指标的重要性和贡献度，采用AHP层次分析法确定各个指标的权重，考虑多个因素的相对重要性，使得评价结果更加准确和可靠；3）利用深度神经网络构建综合评价模型，将标准化处理后的指标数据和指标权重作为输入，输出最终的评价结果，深度神经网络能够学习到复杂的非线性关系，提高评价模型的准确性和泛化能力。
为实现上述目的，本发明提供的一种水环境重金属污染综合评价方法，包括以下步骤：
S1：构建重金属污染评估指标体系，所述指标体系从污染程度、影响范围和生态风险三个方面进行刻画；
S2：根据构建的指标体系采集水环境中的重金属污染数据，所述重金属污染数据包括采样数据和监测数据，对收集到的数据进行预处理，所述预处理为缺失值填补；
S3：对预处理后的数据进行数据标准化处理，将不同指标的数据统一到相同的量纲和范围内，其中Z-score标准化为标准化处理的实施方法；
S4：根据指标的重要性和贡献度，确定各个指标的权重，其中AHP层次分析法为所述指标权重确定的实施方法；
S5：根据确定的权重和标准化后的数据，构建综合评价模型，所述模型以标准化处理后的指标数据和指标权重为输入，以最终的评价结果作为输出，其中深度神经网络为所述模型的实施方法；
S6：将综合评价模型得到的评价结果进行解释和分析，将评价结果分为不同等级以直观地表示水环境重金属污染的程度。
作为本发明的进一步改进方法：
进一地，所述S1步骤中构建重金属污染评估指标体系，包括：
所述重金属污染评估指标体系包括污染程度、影响范围和生态风险三个方面：
污染程度指标包括重金属浓度、生物富集系数、生物毒性，其中：
重金属浓度用来衡量水体中重金属元素的含量； 生物富集系数反映生物体对重金属的富集能力，通过分析水生生物体内重金属的含量与环境中的浓度比值，了解重金属在生物体内的富集程度；生物毒性指标通过对水中重金属的毒性效应进行生物学测试，评估重金属对水生生物的毒性作用；
影响范围指标包括非溶解度、迁移转化率、沉积物富集率，其中：
非溶解度：重金属在水体中以溶解态和非溶解态存在，两者对生物体的毒性和富集能力有所不同； 迁移转化率：重金属在水体中的迁移和转化过程会影响其在水环境中的分布和生物有效性；沉积物富集率：重金属在水体中会富集于沉积物中，沉积物成为重金属的长期污染源；
生态风险指标包括生物多样性、生态系统稳定性；
生物多样性：重金属污染会对水生生物多样性产生负面影响，通过评估物种丰富度和多样性指数，能够反映生态系统的健康状况；生态系统稳定性：重金属污染会破坏生态系统的稳定性，通过评估生态系统的抗扰性和恢复能力，能够判断生态系统对重金属污染的响应能力。
进一地，所述S2步骤中对收集到的数据进行预处理，包括：
KNN最近邻数据填补为所述预处理的实施方法，具体流程为：
S21：预置的最近邻样本的数量为数据集合数量的(1/3,1/2)；
S22：对于包含缺失值的样本，计算与其他样本之间的距离，其中欧式距离为所述样本距离计算方法；
S23：对于包含缺失值的样本，根据计算得到的距离，选择与其最近的K个样本作为邻居；
S24：对于缺失值样本的每个特征，计算其邻居样本在该特征上的加权平均值作为填补值，加权平均值的计算公式为：
；
其中，表示加权平均值，表示第i个邻居样本在特征上的取值，表示样本与邻居样本之间的权重，用于表示邻居样本对填补值的贡献程度；
S25：将计算得到的填补值应用到缺失值样本的特征上，以填补缺失值。
进一地，所述S3步骤中对预处理后的数据进行数据标准化处理，包括：
S31：对于每个特征，计算其样本均值和样本标准差，其中均值表示数据的中心位置，标准差表示数据的离散程度；
S32：对于每个样本的每个特征，计算其Z-score得到标准化处理后的特征值，计算公式为：
；
其中， 表示原始数据的取值，表示特征的均值，表示特征的标准差，Z表示转
化后的Z-score值。
进一地，所述S4步骤中确定各个指标的权重，包括：
S41：构建层次结构将总目标分解为不同的层次和指标，所述层次结构包括目标层、准则层和子准则层，目标层代表最终的目标，准则层表示实现目标所需的几个一级指标，子准则层表示准则层下的更具体的指标，即重金属污染评估指标体系中的指标；
S42：对于每个层次创建判断矩阵用于比较不同指标之间的相对重要性，所述判断矩阵是一个方阵，其大小等于层次中指标的数量，判断矩阵的元素表示两个指标之间的相对重要性比较结果；
S43：对于每个判断矩阵进行两两比较，确定不同指标之间的相对重要性，使用1到9的尺度，其中1表示两个指标具有相同的重要性，9表示一个指标比另一个指标的重要性程度最大，使用其他中间值表示相对的重要性；
S44：对于每个判断矩阵对其进行归一化处理，使得每一列的元素之和等于1，将相对重要性的比较结果转化为权重的相对大小；
S45：对于每个归一化的判断矩阵计算其特征向量，所述特征向量是归一化判断矩阵的列向量之和除以列数的结果；
S46：对于每个特征向量计算其权重，所述权重通过对特征向量进行归一化处理，使得所有权重之和等于1。
所述S45步骤中对于每个归一化的判断矩阵计算其特征向量，包括：
所述特征向量计算公式为：
；
其中，n表示判断矩阵的列数，表示判断矩阵的第p列。
所述S46步骤中对于每个特征向量计算其权重，包括：
所述权重计算公式为：
；
其中，表示特征向量的第q个元素,表示特征向量的元素个数。
进一地，所述S5步骤中构建综合评价模型，包括：
所述综合评价模型包括：
输入层：输入层接收标准化处理后的指标数据和指标权重作为网络的输入；
隐藏层：隐藏层是网络的中间层，由多个神经元组成，包含5个隐藏层，并采用ReLU激活函数；
输出层：输出层是网络的最后一层，用于产生评价结果；
计算过程包括：
前向传播：从输入层到输出层的信号传递过程，对于隐藏层的每个神经元j，计算
其输入加权和与激活函数f的输出，计算公式为：
；
；
其中，表示输入层到隐藏层之间的连接权重，表示输入层的第h个节点的
值，表示隐藏层神经元j的偏置，表示输入层的节点个数；
输出层计算：对于输出层的每个神经元k，计算其输入加权和与激活函数g的输
出：
；
；
其中，表示隐藏层到输出层之间的连接权重，表示隐藏层的第j个神经元的
输出，表示输出层神经元k的偏置; 表示隐藏层神经单元数量。
进一地，所述S6步骤中将综合评价模型得到的评价结果进行解释和分析，包括：
根据预置的评价结果分级，将评价结果分为优、良、中、差4级，根据评价结果的数值和预置的阈值，将评价结果归类为相应的等级，根据评价结果的等级，使用颜色表示水环境重金属污染的程度。
为了解决上述问题，本发明提供一种水环境重金属污染综合评价系统，所述系统实现上述方法，所述系统包括：
数据采集模块，用于采集水环境中的重金属污染数据，并对收集到的数据进行预处理，将不同指标的数据统一到相同的量纲和范围内；
综合评价模块，用于构建综合评价模型，输出评价结果；
水环境重金属污染等级划分模块，用于将评价结果分为不同等级以直观地表示水环境重金属污染的程度。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；
通信接口，实现电子设备通信；
处理器，执行所述存储器中存储的指令以实现上述所述的水环境重金属污染综合评价方法。
为了解决上述问题，本发明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存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的水环境重金属污染综合评价方法。
相对于现有技术，本发明提出一种水环境重金属污染综合评价方法，该技术具有以下优势：
首先，本方案提出一种水环境重金属污染综合评价方法，通过数据采集处理和综合评价模型构建等技术的结合能够提供一个全面、准确的重金属污染评价系统，为水环境管理和决策提供科学依据，有助于改善水环境质量和保护生态环境；
同时，本方案基于指标的重要性和贡献度，采用AHP层次分析法确定各个指标的权重，考虑多个因素的相对重要性，使得评价结果更加准确和可靠；
此外，本方案利用深度神经网络构建综合评价模型，将标准化处理后的指标数据和指标权重作为输入，输出最终的评价结果，深度神经网络能够学习到复杂的非线性关系，提高评价模型的准确性和泛化能力。
附图说明
图1为本发明一实施例提供的一种水环境重金属污染综合评价方法的流程示意图；
图2为本发明一实施例提供的水环境重金属污染综合评价系统的功能模块图；
图3为本发明一实施例提供的实现水环境重金属污染综合评价方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种水环境重金属污染综合评价方法。所述水环境重金属污染综合评价方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述水环境重金属污染综合评价方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
实施例1
S1：构建重金属污染评估指标体系，所述指标体系从污染程度、影响范围和生态风险三个方面进行刻画。
所述S1步骤中构建重金属污染评估指标体系，包括：
所述重金属污染评估指标体系包括污染程度、影响范围和生态风险三个方面：
污染程度指标包括重金属浓度、生物富集系数、生物毒性，其中：
重金属浓度用来衡量水体中重金属元素的含量； 生物富集系数反映生物体对重金属的富集能力，通过分析水生生物体内重金属的含量与环境中的浓度比值，了解重金属在生物体内的富集程度；生物毒性指标通过对水中重金属的毒性效应进行生物学测试，评估重金属对水生生物的毒性作用；
影响范围指标包括非溶解度、迁移转化率、沉积物富集率，其中：
非溶解度：重金属在水体中以溶解态和非溶解态存在，两者对生物体的毒性和富集能力有所不同； 迁移转化率：重金属在水体中的迁移和转化过程会影响其在水环境中的分布和生物有效性；沉积物富集率：重金属在水体中会富集于沉积物中，沉积物成为重金属的长期污染源；
生态风险指标包括生物多样性、生态系统稳定性；
生物多样性：重金属污染会对水生生物多样性产生负面影响，通过评估物种丰富度和多样性指数，能够反映生态系统的健康状况；生态系统稳定性：重金属污染会破坏生态系统的稳定性，通过评估生态系统的抗扰性和恢复能力，能够判断生态系统对重金属污染的响应能力。
S2：根据构建的指标体系采集水环境中的重金属污染数据，所述重金属污染数据包括采样数据和监测数据，对收集到的数据进行预处理，所述预处理为缺失值填补。
所述S2步骤中对收集到的数据进行预处理，包括：
KNN最近邻数据填补为所述预处理的实施方法，具体流程为：
S21：预置的最近邻样本的数量为数据集合数量的(1/3,1/2)；
S22：对于包含缺失值的样本，计算与其他样本之间的距离，其中欧式距离为所述样本距离计算方法；
S23：对于包含缺失值的样本，根据计算得到的距离，选择与其最近的K个样本作为邻居；
S24：对于缺失值样本的每个特征，计算其邻居样本在该特征上的加权平均值作为填补值，加权平均值的计算公式为：
；
其中，表示加权平均值，表示第i个邻居样本在特征上的取值，表示样本与邻居样本之间的权重，用于表示邻居样本对填补值的贡献程度；
S25：将计算得到的填补值应用到缺失值样本的特征上，以填补缺失值。
S3：对预处理后的数据进行数据标准化处理，将不同指标的数据统一到相同的量纲和范围内，其中Z-score标准化为标准化处理的实施方法。
所述S3步骤中对预处理后的数据进行数据标准化处理，包括：
S31：对于每个特征，计算其样本均值和样本标准差，其中均值表示数据的中心位置，标准差表示数据的离散程度；
S32：对于每个样本的每个特征，计算其Z-score得到标准化处理后的特征值，计算公式为：
；
其中， 表示原始数据的取值，表示特征的均值，表示特征的标准差，Z表示转
化后的Z-score值。
S4：根据指标的重要性和贡献度，确定各个指标的权重，其中AHP层次分析法为所述指标权重确定的实施方法。
所述S4步骤中确定各个指标的权重，包括：
S41：构建层次结构将总目标分解为不同的层次和指标，所述层次结构包括目标层、准则层和子准则层，目标层代表最终的目标，准则层表示实现目标所需的几个一级指标，子准则层表示准则层下的更具体的指标，即重金属污染评估指标体系中的指标；
S42：对于每个层次创建判断矩阵用于比较不同指标之间的相对重要性，所述判断矩阵是一个方阵，其大小等于层次中指标的数量，判断矩阵的元素表示两个指标之间的相对重要性比较结果；
S43：对于每个判断矩阵进行两两比较，确定不同指标之间的相对重要性，使用1到9的尺度，其中1表示两个指标具有相同的重要性，9表示一个指标比另一个指标的重要性程度最大，使用其他中间值表示相对的重要性；
S44：对于每个判断矩阵对其进行归一化处理，使得每一列的元素之和等于1，将相对重要性的比较结果转化为权重的相对大小；
S45：对于每个归一化的判断矩阵计算其特征向量，所述特征向量是归一化判断矩阵的列向量之和除以列数的结果；
S46：对于每个特征向量计算其权重，所述权重通过对特征向量进行归一化处理，使得所有权重之和等于1。
所述S45步骤中对于每个归一化的判断矩阵计算其特征向量，包括：
所述特征向量计算公式为：
；
其中，n表示判断矩阵的列数，表示判断矩阵的第p列。
所述S46步骤中对于每个特征向量计算其权重，包括：
所述权重计算公式为：
；
其中，表示特征向量的第q个元素,表示特征向量的元素个数。
S5：根据确定的权重和标准化后的数据，构建综合评价模型，所述模型以标准化处理后的指标数据和指标权重为输入，以最终的评价结果作为输出，其中深度神经网络为所述模型的实施方法。
所述S5步骤中构建综合评价模型，包括：
所述综合评价模型包括：
输入层：输入层接收标准化处理后的指标数据和指标权重作为网络的输入；
隐藏层：隐藏层是网络的中间层，由多个神经元组成，包含5个隐藏层，并采用ReLU激活函数；
输出层：输出层是网络的最后一层，用于产生评价结果；
计算过程包括：
前向传播：从输入层到输出层的信号传递过程，对于隐藏层的每个神经元j，计算
其输入加权和与激活函数f的输出，计算公式为：
；
；
其中，表示输入层到隐藏层之间的连接权重，表示输入层的第h个节点的
值，表示隐藏层神经元j的偏置，表示输入层的节点个数；
输出层计算：对于输出层的每个神经元k，计算其输入加权和与激活函数g的输
出：
；
；
其中，表示隐藏层到输出层之间的连接权重，表示隐藏层的第j个神经元的
输出，表示输出层神经元k的偏置; 表示隐藏层神经单元数量。
S6：将综合评价模型得到的评价结果进行解释和分析，将评价结果分为不同等级以直观地表示水环境重金属污染的程度。
所述S6步骤中将综合评价模型得到的评价结果进行解释和分析，包括：
根据预置的评价结果分级，将评价结果分为优、良、中、差4级，根据评价结果的数值和预置的阈值，将评价结果归类为相应的等级，根据评价结果的等级，使用颜色表示水环境重金属污染的程度。
实施例2
如图2所示，是本发明一实施例提供的水环境重金属污染综合评价系统的功能模块图，其可以实现实施例1中的水环境重金属污染综合评价方法。
本发明所述水环境重金属污染综合评价系统100可以安装于电子设备中。根据实现的功能，所述水环境重金属污染综合评价系统可以包括数据采集模块101、综合评价模块102及水环境重金属污染等级划分模块103。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
数据采集模块101，用于采集水环境中的重金属污染数据，并对收集到的数据进行预处理，将不同指标的数据统一到相同的量纲和范围内；
综合评价模块102，用于构建综合评价模型，输出评价结果；
水环境重金属污染等级划分模块103，用于将评价结果分为不同等级以直观地表示水环境重金属污染的程度。
详细地，本发明实施例中所述水环境重金属污染综合评价系统100中的所述各模块在使用时采用与上述的图1中所述的水环境重金属污染综合评价方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
实施例3
如图3所示，是本发明一实施例提供的实现水环境重金属污染综合评价方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信接口13和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如程序12。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器（例如：SD或DX存储器等）、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡（Smart Media Card， SMC）、安全数字（SecureDigital， SD）卡、闪存卡（Flash Card）等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如程序12的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器（Central Processing unit，CPU）、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心（Control Unit），利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块（用于实现水环境重金属污染综合评价的程序12等），以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述通信接口13可以包括有线接口和/或无线接口（如WI-FI接口、蓝牙接口等），通常用于在该电子设备1与其他电子设备之间建立通信连接，并实现电子设备内部组件之间的连接通信。
所述总线可以是外设部件互连标准（peripheral component interconnect，简称PCI）总线或扩展工业标准结构（extended industry standard architecture，简称EISA）总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源（比如电池），优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理，以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一地，该电子设备1还可以包括用户接口，用户接口可以是显示器（Display）、输入单元（比如键盘（Keyboard）），进一地，用户接口还可以是标准的有线接口、无线接口。进一地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (4)
1.一种水环境重金属污染综合评价方法，其特征在于，所述方法包括：
S1：构建重金属污染评估指标体系，所述指标体系从污染程度、影响范围和生态风险三个方面进行刻画；
S2：根据构建的指标体系采集水环境中的重金属污染数据，所述重金属污染数据包括采样数据和监测数据，对收集到的数据进行预处理，所述预处理为缺失值填补；
S3：对预处理后的数据进行数据标准化处理，将不同指标的数据统一到相同的量纲和范围内，其中Z-score标准化为标准化处理的实施方法；
S4：根据指标的重要性和贡献度，确定各个指标的权重，其中AHP层次分析法为所述指标权重确定的实施方法；
S5：根据确定的权重和标准化后的数据，构建综合评价模型，所述模型以标准化处理后的指标数据和指标权重为输入，以最终的评价结果作为输出，其中深度神经网络为所述模型的实施方法；
S6：将综合评价模型得到的评价结果进行解释和分析，将评价结果分为不同等级以直观地表示水环境重金属污染的程度；
所述S2步骤中对收集到的数据进行预处理，包括：
KNN最近邻数据填补为所述预处理的实施方法，具体流程为：
S21：预置的最近邻样本的数量为数据集合数量的(1/3,1/2)；
S22：对于包含缺失值的样本，计算与其他样本之间的距离，其中欧式距离为所述样本距离计算方法；
S23：对于包含缺失值的样本，根据计算得到的距离，选择与其最近的K个样本作为邻居；
S24：对于缺失值样本的每个特征，计算其邻居样本在该特征上的加权平均值作为填补值，加权平均值的计算公式为：
其中，表示加权平均值， />表示第i个邻居样本在特征上的取值，/>表示样本与邻居样本之间的权重，用于表示邻居样本对填补值的贡献程度；
S25：将计算得到的填补值应用到缺失值样本的特征上，以填补缺失值；
所述S3步骤中对预处理后的数据进行数据标准化处理，包括：
S31：对于每个特征，计算其样本均值和样本标准差，其中均值表示数据的中心位置，标准差表示数据的离散程度；
S32：对于每个样本的每个特征，计算其Z-score得到标准化处理后的特征值，计算公式为：
其中，表示原始数据的取值，/>表示特征的均值，/>表示特征的标准差，Z表示转化后的Z-score值；
所述S4步骤中确定各个指标的权重，包括：
S41：构建层次结构将总目标分解为不同的层次和指标，所述层次结构包括目标层、准则层和子准则层，目标层代表最终的目标，准则层表示实现目标所需的几个一级指标，子准则层表示准则层下的更具体的指标，即重金属污染评估指标体系中的指标；
S42：对于每个层次创建判断矩阵用于比较不同指标之间的相对重要性，所述判断矩阵是一个方阵，其大小等于层次中指标的数量，判断矩阵的元素表示两个指标之间的相对重要性比较结果；
S43：对于每个判断矩阵进行两两比较，确定不同指标之间的相对重要性，使用1到9的尺度，其中1表示两个指标具有相同的重要性，9表示一个指标比另一个指标的重要性程度最大，使用其他中间值表示相对的重要性；
S44：对于每个判断矩阵对其进行归一化处理，使得每一列的元素之和等于1，将相对重要性的比较结果转化为权重的相对大小；
S45：对于每个归一化的判断矩阵计算其特征向量，所述特征向量是归一化判断矩阵的列向量之和除以列数的结果；
S46：对于每个特征向量计算其权重，所述权重通过对特征向量进行归一化处理，使得所有权重之和等于1；
所述S45步骤中对于每个归一化的判断矩阵计算其特征向量，包括：
所述特征向量的计算公式为：
其中，n表示判断矩阵的列数， 表示判断矩阵的第/>列；
所述S46步骤中对于每个特征向量计算其权重，包括：
所述权重计算公式为：
其中，表示特征向量的第 /> 个元素，/>表示特征向量的元素个数；
所述S5步骤中构建综合评价模型，包括：
所述综合评价模型包括：
输入层：输入层接收标准化处理后的指标数据和指标权重作为网络的输入；
隐藏层：隐藏层是网络的中间层，由多个神经元组成，包含5个隐藏层，并采用ReLU激活函数；
输出层：输出层是网络的最后一层，用于产生评价结果；
计算过程包括：
前向传播：从输入层到输出层的信号传递过程，对于隐藏层的每个神经元 ，计算其输入加权和/>与激活函数/> 的输出/>，计算公式为：
其中，表示输入层到隐藏层之间的连接权重，/>表示输入层的第h个节点的值，/>表示隐藏层神经元j的偏置，/>表示输入层的节点个数；
输出层计算：对于输出层的每个神经元k，计算其输入加权和与激活函数g的输出/>：
其中，表示隐藏层到输出层之间的连接权重，/>表示隐藏层的第j个神经元的输出，表示输出层神经元k的偏置,/>表示隐藏层神经单元数量。
2.如权利要求1所述的一种水环境重金属污染综合评价方法，其特征在于，所述S1步骤中构建重金属污染评估指标体系，包括：
所述重金属污染评估指标体系包括污染程度、影响范围和生态风险三个方面：
污染程度指标包括重金属浓度、生物富集系数、生物毒性，其中：
重金属浓度用来衡量水体中重金属元素的含量； 生物富集系数反映生物体对重金属的富集能力，通过分析水生生物体内重金属的含量与环境中的浓度比值，了解重金属在生物体内的富集程度；生物毒性指标通过对水中重金属的毒性效应进行生物学测试，评估重金属对水生生物的毒性作用；
影响范围指标包括非溶解度、迁移转化率、沉积物富集率，其中：
非溶解度：重金属在水体中以溶解态和非溶解态存在，两者对生物体的毒性和富集能力有所不同； 迁移转化率：重金属在水体中的迁移和转化过程会影响其在水环境中的分布和生物有效性；沉积物富集率：重金属在水体中会富集于沉积物中，沉积物成为重金属的长期污染源；
生态风险指标包括生物多样性、生态系统稳定性；
生物多样性：重金属污染会对水生生物多样性产生负面影响，通过评估物种丰富度和多样性指数，反映生态系统的健康状况；生态系统稳定性：重金属污染会破坏生态系统的稳定性，通过评估生态系统的抗扰性和恢复能力，判断生态系统对重金属污染的响应能力。
3.如权利要求1所述的一种水环境重金属污染综合评价方法，其特征在于，所述S6步骤中将综合评价模型得到的评价结果进行解释和分析，包括：
根据预置的评价结果分级，将评价结果分为优、良、中、差4级，根据评价结果的数值和预置的阈值，将评价结果归类为相应的等级，根据评价结果的等级，使用颜色表示水环境重金属污染的程度。
4.一种水环境重金属污染综合评价系统，该系统实现如权利要求1-3任一项所述的方法，其特征在于，所述系统包括：
数据采集模块，用于采集水环境中的重金属污染数据，并对收集到的数据进行预处理，将不同指标的数据统一到相同的量纲和范围内；
综合评价模块，用于构建综合评价模型，输出评价结果；
水环境重金属污染等级划分模块，用于将评价结果分为不同等级以直观地表示水环境重金属污染的程度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410206269.9A CN117787570B (zh) | 2024-02-26 | 2024-02-26 | 一种水环境重金属污染综合评价方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410206269.9A CN117787570B (zh) | 2024-02-26 | 2024-02-26 | 一种水环境重金属污染综合评价方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117787570A CN117787570A (zh) | 2024-03-29 |
| CN117787570B true CN117787570B (zh) | 2024-05-17 |
Family
ID=90382004
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410206269.9A Active CN117787570B (zh) | 2024-02-26 | 2024-02-26 | 一种水环境重金属污染综合评价方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117787570B (zh) |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2396353C1 (ru) * | 2008-12-30 | 2010-08-10 | Тихоокеанский Институт Биоорганической Химии Дальневосточного Отделения Российской Академии Наук (Тибох Дво Ран) | Способ интегральной оценки состояния загрязнения морской и пресной воды |
| CN103793620A (zh) * | 2014-03-03 | 2014-05-14 | 黑龙江省环境保护科学研究院 | 河流三相空间重金属污染综合生态风险评价方法 |
| CN106407464A (zh) * | 2016-10-12 | 2017-02-15 | 南京航空航天大学 | 一种基于knn的改进缺失数据填补算法 |
| CN106846178A (zh) * | 2017-02-13 | 2017-06-13 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种河流型水源地综合安全评价方法 |
| CN107066823A (zh) * | 2017-04-18 | 2017-08-18 | 中山大学 | 基于植物、土壤、微生物的重金属污染土壤修复效果综合评价方法 |
| CN110990786A (zh) * | 2019-11-27 | 2020-04-10 | 中山大学 | 一种重金属污染的土壤环境的综合评价方法 |
| CN112926256A (zh) * | 2021-01-28 | 2021-06-08 | 武汉轻工大学 | 基于深度强化学习的土壤重金属含量预测方法及系统 |
| CN113011796A (zh) * | 2021-05-06 | 2021-06-22 | 北京工商大学 | 一种基于“层次分析-神经网络”的食用油安全预警方法 |
| CN113762784A (zh) * | 2021-09-10 | 2021-12-07 | 国投信开水环境投资有限公司 | 污水处理系统布局规划方案的定量化综合评价方法及系统 |
| CN113780719A (zh) * | 2021-07-26 | 2021-12-10 | 重庆地质矿产研究院 | 一种矿山地质环境综合评价方法 |
| CN115907481A (zh) * | 2022-12-26 | 2023-04-04 | 吉林大学 | 一种固化/稳定化重金属场地地下水污染风险评估方法 |
| CN116187543A (zh) * | 2023-01-10 | 2023-05-30 | 中南大学 | 基于机器学习的土壤重金属含量预测方法及其应用 |
| CN116205509A (zh) * | 2022-10-23 | 2023-06-02 | 南京大学 | 一种全面评价土壤重金属污染状况的研究方法 |
| CN116384754A (zh) * | 2023-06-02 | 2023-07-04 | 北京建工环境修复股份有限公司 | 一种基于深度学习的在产化工园区环境污染风险评估方法 |
| CN116433017A (zh) * | 2023-03-27 | 2023-07-14 | 武汉轻工大学 | 土壤重金属污染评估方法、装置、设备及存储介质 |
| CN117538503A (zh) * | 2023-11-03 | 2024-02-09 | 湖南凯迪工程科技有限公司 | 一种实时智能的土壤污染监测系统及方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103886217A (zh) * | 2014-04-04 | 2014-06-25 | 江苏省环境科学研究院 | 一种河湖沉积物中重金属污染的生态风险确定方法 |
| CN115204660A (zh) * | 2022-07-13 | 2022-10-18 | 生态环境部南京环境科学研究所 | 一种矿山开采生态环境损害评估方法、系统及可存储介质 |
-
2024
- 2024-02-26 CN CN202410206269.9A patent/CN117787570B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2396353C1 (ru) * | 2008-12-30 | 2010-08-10 | Тихоокеанский Институт Биоорганической Химии Дальневосточного Отделения Российской Академии Наук (Тибох Дво Ран) | Способ интегральной оценки состояния загрязнения морской и пресной воды |
| CN103793620A (zh) * | 2014-03-03 | 2014-05-14 | 黑龙江省环境保护科学研究院 | 河流三相空间重金属污染综合生态风险评价方法 |
| CN106407464A (zh) * | 2016-10-12 | 2017-02-15 | 南京航空航天大学 | 一种基于knn的改进缺失数据填补算法 |
| CN106846178A (zh) * | 2017-02-13 | 2017-06-13 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种河流型水源地综合安全评价方法 |
| CN107066823A (zh) * | 2017-04-18 | 2017-08-18 | 中山大学 | 基于植物、土壤、微生物的重金属污染土壤修复效果综合评价方法 |
| CN110990786A (zh) * | 2019-11-27 | 2020-04-10 | 中山大学 | 一种重金属污染的土壤环境的综合评价方法 |
| CN112926256A (zh) * | 2021-01-28 | 2021-06-08 | 武汉轻工大学 | 基于深度强化学习的土壤重金属含量预测方法及系统 |
| CN113011796A (zh) * | 2021-05-06 | 2021-06-22 | 北京工商大学 | 一种基于“层次分析-神经网络”的食用油安全预警方法 |
| CN113780719A (zh) * | 2021-07-26 | 2021-12-10 | 重庆地质矿产研究院 | 一种矿山地质环境综合评价方法 |
| CN113762784A (zh) * | 2021-09-10 | 2021-12-07 | 国投信开水环境投资有限公司 | 污水处理系统布局规划方案的定量化综合评价方法及系统 |
| CN116205509A (zh) * | 2022-10-23 | 2023-06-02 | 南京大学 | 一种全面评价土壤重金属污染状况的研究方法 |
| CN115907481A (zh) * | 2022-12-26 | 2023-04-04 | 吉林大学 | 一种固化/稳定化重金属场地地下水污染风险评估方法 |
| CN116187543A (zh) * | 2023-01-10 | 2023-05-30 | 中南大学 | 基于机器学习的土壤重金属含量预测方法及其应用 |
| CN116433017A (zh) * | 2023-03-27 | 2023-07-14 | 武汉轻工大学 | 土壤重金属污染评估方法、装置、设备及存储介质 |
| CN116384754A (zh) * | 2023-06-02 | 2023-07-04 | 北京建工环境修复股份有限公司 | 一种基于深度学习的在产化工园区环境污染风险评估方法 |
| CN117538503A (zh) * | 2023-11-03 | 2024-02-09 | 湖南凯迪工程科技有限公司 | 一种实时智能的土壤污染监测系统及方法 |
Non-Patent Citations (3)
| Title |
|---|
| 基于BP神经网络的低丘红壤资源开发利用评价研究;高克异;许红卫;王珂;沈掌泉;严秀琴;陈建;;科技通报;20100515(第03期);全文 * |
| 基于层次分析法的煤矿矿山生态环境评价定量模型研究;王红梅;;中国矿业;20200713(第07期);全文 * |
| 基于组合权区间欧式距离模型的重金属污染评价;赵艳玲;王亚云;何厅厅;李建华;付馨;曾纪勇;李源;;金属矿山;20130315(第03期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117787570A (zh) | 2024-03-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113159147B (zh) | 基于神经网络的图像识别方法、装置、电子设备 | |
| CN116186594B (zh) | 基于决策网络结合大数据实现环境变化趋势智能检测方法 | |
| CN113516417A (zh) | 基于智能建模的业务评估方法、装置、电子设备及介质 | |
| CN110889196B (zh) | 基于水质模型的水环境承载力评估方法、装置及存储介质 | |
| CN114418189A (zh) | 水质等级预测方法、系统、终端设备及存储介质 | |
| CN111428419A (zh) | 悬浮泥沙浓度预测方法、装置、计算机设备和存储介质 | |
| CN116341901A (zh) | 一种滑坡面域-单体危险性预警的一体化评价方法 | |
| CN115081025A (zh) | 基于数字中台的敏感数据管理方法、装置及电子设备 | |
| CN114399212A (zh) | 生态环境质量评估方法、装置、电子设备及存储介质 | |
| CN117787570B (zh) | 一种水环境重金属污染综合评价方法及系统 | |
| CN115984269B (zh) | 一种非侵入式局部水生态安全检测方法与系统 | |
| CN117422195A (zh) | 水质评估方法、装置、计算机设备和存储介质 | |
| CN115034812B (zh) | 基于大数据的钢铁行业销售量预测方法及装置 | |
| CN114331237A (zh) | 基于ahp-熵权法的污水处理质量评估方法及装置 | |
| CN115618928A (zh) | 一种边坡位移预测方法、装置和电子设备 | |
| CN116862303B (zh) | 城市内涝隐患分级及评估方法 | |
| CN115274123B (zh) | 体能水平预测方法、系统、设备、介质及程序产品 | |
| CN116704064B (zh) | 基于高光谱的污水成像方法、系统、电子设备及存储介质 | |
| CN113902418B (zh) | 项目审批方法、装置、电子设备及可读存储介质 | |
| CN117975178B (zh) | 一种基于大数据分析的出租车轨迹数据分析方法 | |
| CN117314205B (zh) | 一种室间质评项目检测结果上报方法及装置 | |
| CN118644093B (zh) | 基于人工智能大模型的道路安全风险评估决策方法 | |
| CN116730226B (zh) | 悬臂起重机的安全智能监管系统及其方法 | |
| CN116959489B (zh) | 语音模型的量化方法、装置、服务器及存储介质 | |
| CN117854280A (zh) | 交通流预测方法、装置、电子设备及可读存储介质 |
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 |