CN116186566B - 基于深度学习的扩散预测方法及*** - Google Patents
基于深度学习的扩散预测方法及*** Download PDFInfo
- Publication number
- CN116186566B CN116186566B CN202310465760.9A CN202310465760A CN116186566B CN 116186566 B CN116186566 B CN 116186566B CN 202310465760 A CN202310465760 A CN 202310465760A CN 116186566 B CN116186566 B CN 116186566B
- Authority
- CN
- China
- Prior art keywords
- target
- diffusion
- pollution
- acquiring
- target pollutant
- 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
Classifications
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Physics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Processing Of Solid Wastes (AREA)
Abstract
本发明公开了一种基于深度学习的扩散预测方法及***,包括:获取目标区域内污染源信息筛选目标污染物,根据目标区域的GIS地理数据确定目标污染物监测点;通过目标污染物监测点采集目标污染物浓度信息,获取目标区域的污染扩散格局;获取污染区域的目标污染物的浓度变化序列,构建扩散预测模型,通过扩散预测模型对连续时间段内目标污染物浓度及土壤性质、水质性质获取时空关联特征;利用目标区域当前时间的污染分布结合目标污染物的扩散趋势获取潜在污染区域,生成预测污染扩散分布。本发明通过学习污染的分布规律及时空关联特征,模拟污染扩散的分布状况,提高了污染扩散预测的精确度,为污染物防控工作提供数据基础。
Description
技术领域
本发明涉及污染监测技术领域,更具体的,涉及一种基于深度学习的扩散预测方法及***。
背景技术
环境监测是指对环境中各种污染物质及其相互作用的状况进行监测、分析、评价和预测的过程。城市化和工业化进程的加快和扩张,使得大量的污染物质被释放并扩散到大气、水体及土壤中,导致污染问题日益严重。污染扩散可分为不同类型,如气溶胶扩散、水质扩散、土壤扩散等。污染扩散对周围环境和人类健康造成重大影响,需要采取相应的措施防止和控制污染物质的扩散。常见的污染扩散来源包括工业废气、交通尾气、农业污染、垃圾填埋等。
污染扩散预测的关键是建立准确的数学模型。数学模型通常包括物理模型、化学模型和数值模型等。物理模型用于描述污染物在大气、水体或土壤中的物理过程,如对流、扩散、沉降和反射等;化学模型则用于描述污染物的化学反应和转化过程;数值模型则将物理和化学模型转化为计算机程序,用于模拟和预测污染物的传输和扩散规律。现阶段,在污染扩散预测中,深度学习可以用于提取污染物传输和扩散的复杂关系和模式,从而实现准确的预测。因此,在污染扩散预测中如何通过深度学习对污染物质的传输规律和环境因素进行学习,实现扩散的精准预测是亟不可待需要解决的问题。
发明内容
为了解决上述技术问题,本发明提出了一种基于深度学习的扩散预测方法及***。
本发明第一方面提供了一种基于深度学习的扩散预测方法,包括:
获取目标区域内污染源信息,根据所述污染源信息筛选目标污染物,根据目标区域的GIS地理数据确定目标污染物监测点;
通过目标污染物监测点采集目标污染物浓度信息,基于所述目标污染物浓度信息对各监测点进行聚类,获取目标区域的污染扩散格局;
根据目标区域的污染扩散格局获取污染区域的目标污染物的浓度变化序列,构建扩散预测模型,基于污染区域的目标污染物的浓度变化序列进行训练;
通过扩散预测模型对连续时间段内目标污染物浓度及土壤性质、水质性质获取时空关联特征,通过时空关联特征表征目标污染物的扩散趋势;
利用目标区域当前时间的污染分布结合目标污染物的扩散趋势获取潜在污染区域,生成预测污染扩散分布,并进行可视化显示。
本方案中,获取目标区域内污染源信息,根据所述污染源信息筛选目标污染物,根据目标区域的GIS地理数据确定目标污染物监测点,具体为:
根据目标区域的区域范围获取范围内的污染源信息,根据污染源信息提取污染源位置信息及污染源产出的污染物,通过污染物筛选出目标区域的标志性污染物;
根据预设环境监测任务在标志性污染物中进行筛选获取目标污染物,获取目标区域现有环境监测井的位置信息,并提取环境监测井中环境监测信息,分析目标污染物现有监测数据;
将目标污染物的现有监测数据进行数据预处理,通过预处理后的现有监测数据进行数据分析,通过大数据手段检索获取目标污染物扩散相关经验,设置当前环境监测井位置分布下的监测数据相关性标准;
根据数据分析获取不同位置环境监测井的数据关联,判断所述数据关联与监测数据相关性标准的偏差,当偏差不处于预设偏差区间时,则获取目标区域的GIS地理数据;
根据所述GIS地理数据获取目标区域内的地形及水文数据,在现有环境监测井的基础上根据污染源位置信息利用遗传算法进行位置寻优新增监测点,结合环境监测井生成目标污染物监测点。
本方案中,通过目标污染物监测点采集目标污染物浓度信息,基于所述目标污染物浓度信息对各监测点进行聚类,获取目标区域的污染扩散格局,具体为:
根据目标污染物监测点的位置信息将目标区域进行格网划分,获取目标污染物监测点采集的目标污染物浓度信息,将格网结合所述目标污染物浓度信息获取聚类样本集;
根据聚类样本集中格网位置信息及目标污染物浓度信息获取格网样本之间的相似度矩阵,通过所述相似度矩阵获取格网样本之间的吸引度及归属度,经过多次迭代后,得到聚类样本集的聚类中心;
通过所述聚类样本集的聚类中心获取聚类结果,根据聚类结果获取目标区域的污染分布,并根据聚类结果中的各格网样本的类内距离确定扩散方向;
根据所述目标区域的污染分布及扩散方向生成目标区域内目标污染物的扩散格局。
本方案中,通过扩散预测模型对连续时间段内目标污染物浓度及土壤性质、水质性质获取时空关联特征,具体为:
根据目标污染物的历史监测数据结合目标污染物的扩散格局获取污染区域目标污染物的浓度变化序列,将所述浓度变化序列进行预处理,剔除异常监测数据;
基于深度学习构建扩散预测模型,将预处理后的目标污染物浓度变化序列作为模型输入,并进行归一化处理;
通过图注意力网络对目标区域目标污染物监测点形成的图结构进行学***均池化及最大池化结合对邻居节点分配不同的权重;
另外在目标污染物监测站点之间根据扩散方向设置注意力系数,根据所述注意力系数进行邻居节点的聚合,并滤除无用节点,根据图注意力网络的邻居聚合机制获取目标污染物浓度变化序列对应的空间特征;
将图注意力网络输出的特征序列输入DASeq2Seq模型进行特征编码,利用当前时间戳的特征输入和上一时间戳的隐藏状态获取当前时间戳的隐藏状态,并在DASeq2Seq模型中引入时间注意力,表征特征序列中各个特征的重要性;
通过解码器进行解码后,获取时空关联特征。
本方案中,通过图注意力网络对目标区域目标污染物监测点形成的图结构进行学习表示,具体为:
获取目标区域内目标污染物监测点的位置信息,确定空间拓扑关系,定义为,/>表示目标污染物监测点,作为图结构中的节点,/>表示目标污染物监测点的之间的空间关系;
获取目标污染物监测点所在格网,将对应的目标污染物监测数据作为节点特征,获取格网中的土壤特性及水体特性,作为节点的附加特征;
通过图注意力网络的消息传递机制及邻居聚合机制对节点特征进行表示学习,生成对应的低维向量表示。
本方案中,利用目标区域当前时间的污染分布结合目标污染物的扩散趋势获取潜在污染区域,生成预测污染扩散分布,并进行可视化显示,具体为:
根据目标区域内污染扩散格局获取目标污染物当前的污染分布,将当前的污染分布输入训练后的扩散预测模型;
通过所述扩散预测模型进行时空关联特征提取,根据时空关联特征获取预设时间后各目标污染物监测点的目标污染物预测浓度;
根据所述目标污染物预测浓度进行聚类分析,生成新的聚类结果,通过所述新的聚类结果与历史聚类结果进行对比,获取聚类偏差;
根据聚类偏差确定对应格网并进行标记,将标记的格网潜在污染区域,生成预测污染扩散分布,根据预测污染扩散分布生成相关预警信息,将所述预警信息与预测污染扩散分布进行可视化处理。
本发明第二方面还提供了一种基于深度学习的扩散预测***,该***包括:存储器、处理器,所述存储器中包括一种基于深度学习的扩散预测方法程序,所述一种基于深度学习的扩散预测方法程序被所述处理器执行时实现如下步骤:
获取目标区域内污染源信息,根据所述污染源信息筛选目标污染物,根据目标区域的GIS地理数据确定目标污染物监测点;
通过目标污染物监测点采集目标污染物浓度信息,基于所述目标污染物浓度信息对各监测点进行聚类,获取目标区域的污染扩散格局;
根据目标区域的污染扩散格局获取污染区域的目标污染物的浓度变化序列,构建扩散预测模型,基于污染区域的目标污染物的浓度变化序列进行训练;
通过扩散预测模型对连续时间段内目标污染物浓度及土壤性质、水质性质获取时空关联特征,通过时空关联特征表征目标污染物的扩散趋势;
利用目标区域当前时间的污染分布结合目标污染物的扩散趋势获取潜在污染区域,生成预测污染扩散分布,并进行可视化显示。
本发明公开了一种基于深度学习的扩散预测方法及***,包括:获取目标区域内污染源信息筛选目标污染物,根据目标区域的GIS地理数据确定目标污染物监测点;通过目标污染物监测点采集目标污染物浓度信息,获取目标区域的污染扩散格局;获取污染区域的目标污染物的浓度变化序列,构建扩散预测模型,通过扩散预测模型对连续时间段内目标污染物浓度及土壤性质、水质性质获取时空关联特征,表征目标污染物的扩散趋势;利用目标区域当前时间的污染分布结合目标污染物的扩散趋势获取潜在污染区域,生成预测污染扩散分布。本发明通过学习污染的分布规律及时空关联特征,模拟污染扩散的分布状况,提高了污染扩散预测的精确度,为污染物防控工作提供数据基础。
附图说明
图1示出了本发明一种基于深度学习的扩散预测方法的流程图;
图2示出了本发明对获取目标区域的污染扩散格局的方法流程图;
图3示出了本发明通过扩散预测模型获取时空关联特征的方法流程图;
图4示出了本发明一种基于深度学习的扩散预测***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示出了本发明一种基于深度学习的扩散预测方法的流程图。
如图1所示,本发明第一方面提供了一种基于深度学习的扩散预测方法,包括:
S102,获取目标区域内污染源信息,根据所述污染源信息筛选目标污染物,根据目标区域的GIS地理数据确定目标污染物监测点;
S104,通过目标污染物监测点采集目标污染物浓度信息,基于所述目标污染物浓度信息对各监测点进行聚类,获取目标区域的污染扩散格局;
S106,根据目标区域的污染扩散格局获取污染区域的目标污染物的浓度变化序列,构建扩散预测模型,基于污染区域的目标污染物的浓度变化序列进行训练;
S108,通过扩散预测模型对连续时间段内目标污染物浓度及土壤性质、水质性质获取时空关联特征,通过时空关联特征表征目标污染物的扩散趋势;
S110,利用目标区域当前时间的污染分布结合目标污染物的扩散趋势获取潜在污染区域,生成预测污染扩散分布,并进行可视化显示。
需要说明的是,根据目标区域的区域范围获取范围内的污染源信息,污染物来源包括自然来源、城镇化来源及农业来源等,根据污染源信息提取污染源位置信息及污染源产出的污染物,通过污染物筛选出目标区域的标志性污染物;根据预设环境监测任务在标志性污染物中进行筛选获取目标污染物,获取目标区域现有环境监测井的位置信息,并提取环境监测井中环境监测信息,分析目标污染物现有监测数据;将目标污染物的现有监测数据进行数据预处理,通过预处理后的现有监测数据进行数据分析,获取目标区域的GIS地理数据,通过大数据手段检索获取目标区域的相似区域,并获取对应其中目标污染物历史扩散相关经验及扩散规律,设置当前环境监测井位置分布下的监测数据相关性标准;根据数据分析获取不同位置环境监测井的数据关联,判断所述数据关联与监测数据相关性标准的偏差,当偏差不处于预设偏差区间时,则根据所述GIS地理数据获取目标区域内的地形及水文数据,在现有环境监测井的基础上根据污染源位置信息利用遗传算法进行位置寻优新增监测点,结合环境监测井生成目标污染物监测点。
当目标区域中不存在既有环境监测井时,则根据目标区域内的地形及水文数据通过遗传算法构建深度学习模型等方法选取目标污染物监测点,将监测点之间均方距离作为适应度函数;根据目标区域的水文地质信息、污染源位置信息,选取区域内新增检测井的候选点。
图2示出了本发明对获取目标区域的污染扩散格局的方法流程图。
根据本发明实施例,通过目标污染物监测点采集目标污染物浓度信息,基于所述目标污染物浓度信息对各监测点进行聚类,获取目标区域的污染扩散格局,具体为:
S202,根据目标污染物监测点的位置信息将目标区域进行格网划分,获取目标污染物监测点采集的目标污染物浓度信息,将格网结合所述目标污染物浓度信息获取聚类样本集;
S204,根据聚类样本集中格网位置信息及目标污染物浓度信息获取格网样本之间的相似度矩阵,通过所述相似度矩阵获取格网样本之间的吸引度及归属度,经过多次迭代后,得到聚类样本集的聚类中心;
S206,通过所述聚类样本集的聚类中心获取聚类结果,根据聚类结果获取目标区域的污染分布,并根据聚类结果中的各格网样本的类内距离确定扩散方向;
S208,根据所述目标区域的污染分布及扩散方向生成目标区域内目标污染物的扩散格局。
需要说明的是,根据聚类样本集中格网位置信息及目标污染物浓度信息获取格网样本之间的相似性,生成相似度矩阵;通过位置坐标信息获取负平方欧式距离及监测点对应的目标污染物浓度信息的负平方欧式距离计算相似性;,其中,表示格网/>的相似度,/>表示格网i对应的数据,/>表示格网j对应的数据,数据可以为坐标信息或目标污染物浓度信息;所述吸引度用于评估格网是否能够作为聚类结果的聚类中心,归属度用于评估格网作为聚类结果的聚类中心的合适程度,通过迭代不断更新吸引度及归属度,当迭代次数超过既定的次数或聚类中心变化较小时结束迭代计算,获取聚类中心,根据聚类中心进行聚类分析获取对应聚类结果,在聚类结果中获取各格网对应的目标污染物浓度的负平方欧式距离判断监测数据的变化特征,并生成数据变化指向,根据对应的格网确定目标污染物的扩散方向,其扩散方向可以为单一方向或多指向方向。
图3示出了本发明通过扩散预测模型获取时空关联特征的方法流程图。
根据本发明实施例,通过扩散预测模型对连续时间段内目标污染物浓度及土壤性质、水质性质获取时空关联特征,具体为:
S302,根据目标污染物的历史监测数据结合目标污染物的扩散格局获取污染区域目标污染物的浓度变化序列,将所述浓度变化序列进行预处理,剔除异常监测数据;
S304,基于深度学习构建扩散预测模型,将预处理后的目标污染物浓度变化序列作为模型输入,并进行归一化处理;
S306,通过图注意力网络对目标区域目标污染物监测点形成的图结构进行学***均池化及最大池化结合对邻居节点分配不同的权重;
S308,另外在目标污染物监测站点之间根据扩散方向设置注意力系数,根据所述注意力系数进行邻居节点的聚合,并滤除无用节点,根据图注意力网络的邻居聚合机制获取目标污染物浓度变化序列对应的空间特征;
S310,将图注意力网络输出的特征序列输入DASeq2Seq模型进行特征编码,利用当前时间戳的特征输入和上一时间戳的隐藏状态获取当前时间戳的隐藏状态,并在DASeq2Seq模型中引入时间注意力,表征特征序列中各个特征的重要性;
S312,通过解码器进行解码后,获取时空关联特征。
需要说明的是,获取目标区域内目标污染物监测点的位置信息,确定空间拓扑关系,定义为/>,/>表示目标污染物监测点,作为图结构中的节点,/>表示目标污染物监测点的之间的空间关系;获取目标污染物监测点所在格网,将对应的目标污染物监测数据作为节点特征,获取格网中的土壤特性及水体特性,作为节点的附加特征;通过图注意力网络的消息传递机制及邻居聚合机制对节点特征进行表示学习,生成对应的低维向量表示。
利用平均池化及最大池化结合对邻居节点分配不同的权重,其中权重/>的计算公式为:/>其中,/>表示激活函数,/>表示全连接层,/>表示映射函数,/>表示t时刻的节点特征,/>表示平均池化,/>表示最大池化;
在目标污染物监测站点之间根据扩散方向设置注意力系数,根据所述注意力系数进行邻居节点的聚合,当目标污染物监测点i在目标污染物监测点j的扩散方向时,则目标污染物监测点j对目标污染物监测点i的注意力系数为1,目标污染物监测点i对目标污染物监测点j的注意力系数为0,不在扩散方向时注意力系数为0,使得邻居聚合机制中只聚合到有用的节点,在注意力网络中设置多头注意力机制,通过多组相互独立的注意力机制,分别计算对应结果,将结果进行拼接,得到卷积的结果,获取对应的特征表示。
DASeq2Seq模型使用的都是RNN单元,一般为LSTM和GRU,通过上一时刻的编码器隐藏状态和记忆状态计算得到相关性,通过SoftMax函数进行归一化,获取对应的时间注意力,/>,其中,/>为时间注意力权重,表示时刻t时特征序列中第k个特征对于输入的重要程度,/>为t时刻第k个特征,第i个特征对应的相关性,/>为特征总数,通过共享参数在解码器解码后输出。
需要说明的是,根据目标区域内污染扩散格局获取目标污染物当前的污染分布,将当前的污染分布输入训练后的扩散预测模型;通过所述扩散预测模型进行时空关联特征提取,根据时空关联特征获取预设时间后各目标污染物监测点的目标污染物预测浓度;根据所述目标污染物预测浓度进行聚类分析,生成新的聚类结果,通过所述新的聚类结果与历史聚类结果进行对比,获取聚类偏差;根据聚类偏差确定对应格网并进行标记,将标记的格网潜在污染区域,生成预测污染扩散分布,根据预测污染扩散分布生成相关预警信息,将所述预警信息与预测污染扩散分布进行可视化处理。
根据本发明实施例,选取目标污染物的标志性植物进行扩散监测,具体为:
获取目标区域的目标污染物信息及植物覆盖信息,根据所述目标污染物信息结合目标区域的气候特征建立检索任务;
利用大数据手段在预设检索空间中获取目标污染物对应的具有污染物富集能力的植物信息,根据目标区域的植物覆盖信息及气候特征对检索到的植物信息进行优化,获取符合要求的植物信息集;
根据植物覆盖信息对格网进行相似区域划分,将植物覆盖信息相似度大于预设标准的格网划分到同一区域,在符合要求的植物信息集选取各区域对应的标志性植物;
根据目标区域的季节特征所述标志性植物为两种或者两种以上,预设采集周期,获取不同时期各区域中标志性植物中的污染物富集量,在同一区域中不同时期的污染物富集量进行污染物的扩散监测。
图4示出了本发明一种基于深度学习的扩散预测***的框图。
本发明第二方面还提供了一种基于深度学习的扩散预测***4,该***包括:存储器41、处理器42,所述存储器中包括一种基于深度学习的扩散预测方法程序,所述一种基于深度学习的扩散预测方法程序被所述处理器执行时实现如下步骤:
获取目标区域内污染源信息,根据所述污染源信息筛选目标污染物,根据目标区域的GIS地理数据确定目标污染物监测点;
通过目标污染物监测点采集目标污染物浓度信息,基于所述目标污染物浓度信息对各监测点进行聚类,获取目标区域的污染扩散格局;
根据目标区域的污染扩散格局获取污染区域的目标污染物的浓度变化序列,构建扩散预测模型,基于污染区域的目标污染物的浓度变化序列进行训练;
通过扩散预测模型对连续时间段内目标污染物浓度及土壤性质、水质性质获取时空关联特征,通过时空关联特征表征目标污染物的扩散趋势;
利用目标区域当前时间的污染分布结合目标污染物的扩散趋势获取潜在污染区域,生成预测污染扩散分布,并进行可视化显示。
需要说明的是,根据目标区域的区域范围获取范围内的污染源信息,污染物来源包括自然来源、城镇化来源及农业来源等,根据污染源信息提取污染源位置信息及污染源产出的污染物,通过污染物筛选出目标区域的标志性污染物;根据预设环境监测任务在标志性污染物中进行筛选获取目标污染物,获取目标区域现有环境监测井的位置信息,并提取环境监测井中环境监测信息,分析目标污染物现有监测数据;将目标污染物的现有监测数据进行数据预处理,通过预处理后的现有监测数据进行数据分析,获取目标区域的GIS地理数据,通过大数据手段检索获取目标区域的相似区域,并获取对应其中目标污染物历史扩散相关经验及扩散规律,设置当前环境监测井位置分布下的监测数据相关性标准;根据数据分析获取不同位置环境监测井的数据关联,判断所述数据关联与监测数据相关性标准的偏差,当偏差不处于预设偏差区间时,则根据所述GIS地理数据获取目标区域内的地形及水文数据,在现有环境监测井的基础上根据污染源位置信息利用遗传算法进行位置寻优新增监测点,结合环境监测井生成目标污染物监测点。
当目标区域中不存在既有环境监测井时,则根据目标区域内的地形及水文数据通过遗传算法构建深度学习模型等方法选取目标污染物监测点,将监测点之间均方距离作为适应度函数;根据目标区域的水文地质信息、污染源位置信息,选取区域内新增检测井的候选点。
根据本发明实施例,通过目标污染物监测点采集目标污染物浓度信息,基于所述目标污染物浓度信息对各监测点进行聚类,获取目标区域的污染扩散格局,具体为:
根据目标污染物监测点的位置信息将目标区域进行格网划分,获取目标污染物监测点采集的目标污染物浓度信息,将格网结合所述目标污染物浓度信息获取聚类样本集;
根据聚类样本集中格网位置信息及目标污染物浓度信息获取格网样本之间的相似度矩阵,通过所述相似度矩阵获取格网样本之间的吸引度及归属度,经过多次迭代后,得到聚类样本集的聚类中心;
通过所述聚类样本集的聚类中心获取聚类结果,根据聚类结果获取目标区域的污染分布,并根据聚类结果中的各格网样本的类内距离确定扩散方向;
根据所述目标区域的污染分布及扩散方向生成目标区域内目标污染物的扩散格局。
需要说明的是,根据聚类样本集中格网位置信息及目标污染物浓度信息获取格网样本之间的相似性,生成相似度矩阵;通过位置坐标信息获取负平方欧式距离及监测点对应的目标污染物浓度信息的负平方欧式距离计算相似性;,其中,表示格网/>的相似度,/>表示格网i对应的数据,/>表示格网j对应的数据,数据可以为坐标信息或目标污染物浓度信息;所述吸引度用于评估格网是否能够作为聚类结果的聚类中心,归属度用于评估格网作为聚类结果的聚类中心的合适程度,通过迭代不断更新吸引度及归属度,当迭代次数超过既定的次数或聚类中心变化较小时结束迭代计算,获取聚类中心,根据聚类中心进行聚类分析获取对应聚类结果,在聚类结果中获取各格网对应的目标污染物浓度的负平方欧式距离判断监测数据的变化特征,并生成数据变化指向,根据对应的格网确定目标污染物的扩散方向,其扩散方向可以为单一方向或多指向方向。
根据本发明实施例,通过扩散预测模型对连续时间段内目标污染物浓度及土壤性质、水质性质获取时空关联特征,具体为:
根据目标污染物的历史监测数据结合目标污染物的扩散格局获取污染区域目标污染物的浓度变化序列,将所述浓度变化序列进行预处理,剔除异常监测数据;
基于深度学习构建扩散预测模型,将预处理后的目标污染物浓度变化序列作为模型输入,并进行归一化处理;
通过图注意力网络对目标区域目标污染物监测点形成的图结构进行学***均池化及最大池化结合对邻居节点分配不同的权重;
另外在目标污染物监测站点之间根据扩散方向设置注意力系数,根据所述注意力系数进行邻居节点的聚合,并滤除无用节点,根据图注意力网络的邻居聚合机制获取目标污染物浓度变化序列对应的空间特征;
将图注意力网络输出的特征序列输入DASeq2Seq模型进行特征编码,利用当前时间戳的特征输入和上一时间戳的隐藏状态获取当前时间戳的隐藏状态,并在DASeq2Seq模型中引入时间注意力,表征特征序列中各个特征的重要性;
通过解码器进行解码后,获取时空关联特征。
需要说明的是,获取目标区域内目标污染物监测点的位置信息,确定空间拓扑关系,定义为/>,/>表示目标污染物监测点,作为图结构中的节点,/>表示目标污染物监测点的之间的空间关系;获取目标污染物监测点所在格网,将对应的目标污染物监测数据作为节点特征,获取格网中的土壤特性及水体特性,作为节点的附加特征;通过图注意力网络的消息传递机制及邻居聚合机制对节点特征进行表示学习,生成对应的低维向量表示。
利用平均池化及最大池化结合对邻居节点分配不同的权重,其中权重/>的计算公式为:/>其中,/>表示激活函数,/>表示全连接层,/>表示映射函数,/>表示t时刻的节点特征,/>表示平均池化,/>表示最大池化;
在目标污染物监测站点之间根据扩散方向设置注意力系数,根据所述注意力系数进行邻居节点的聚合,当目标污染物监测点i在目标污染物监测点j的扩散方向时,则目标污染物监测点j对目标污染物监测点i的注意力系数为1,目标污染物监测点i对目标污染物监测点j的注意力系数为0,不在扩散方向时注意力系数为0,使得邻居聚合机制中只聚合到有用的节点,在注意力网络中设置多头注意力机制,通过多组相互独立的注意力机制,分别计算对应结果,将结果进行拼接,得到卷积的结果,获取对应的特征表示。
DASeq2Seq模型使用的都是RNN单元,一般为LSTM和GRU,通过上一时刻的编码器隐藏状态和记忆状态计算得到相关性,通过SoftMax函数进行归一化,获取对应的时间注意力,/>,其中,/>为时间注意力权重,表示时刻t时特征序列中第k个特征对于输入的重要程度,/>为t时刻第k个特征,第i个特征对应的相关性,/>为特征总数,通过共享参数在解码器解码后输出。
需要说明的是,根据目标区域内污染扩散格局获取目标污染物当前的污染分布,将当前的污染分布输入训练后的扩散预测模型;通过所述扩散预测模型进行时空关联特征提取,根据时空关联特征获取预设时间后各目标污染物监测点的目标污染物预测浓度;根据所述目标污染物预测浓度进行聚类分析,生成新的聚类结果,通过所述新的聚类结果与历史聚类结果进行对比,获取聚类偏差;根据聚类偏差确定对应格网并进行标记,将标记的格网潜在污染区域,生成预测污染扩散分布,根据预测污染扩散分布生成相关预警信息,将所述预警信息与预测污染扩散分布进行可视化处理。
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基于深度学习的扩散预测方法程序,所述一种基于深度学习的扩散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基于深度学习的扩散预测方法的步骤。
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***,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)
1.一种基于深度学习的扩散预测方法,其特征在于,包括以下步骤:
获取目标区域内污染源信息,根据所述污染源信息筛选目标污染物,根据目标区域的GIS地理数据确定目标污染物监测点;
通过目标污染物监测点采集目标污染物浓度信息,基于所述目标污染物浓度信息对各监测点进行聚类,获取目标区域的污染扩散格局;
根据目标区域的污染扩散格局获取污染区域的目标污染物的浓度变化序列,构建扩散预测模型,基于污染区域的目标污染物的浓度变化序列进行训练;
通过扩散预测模型对连续时间段内目标污染物浓度及土壤性质、水质性质获取时空关联特征,通过时空关联特征表征目标污染物的扩散趋势;
利用目标区域当前时间的污染分布结合目标污染物的扩散趋势获取潜在污染区域,生成预测污染扩散分布,并进行可视化显示;
根据所述污染源信息筛选目标污染物,根据目标区域的GIS地理数据确定目标污染物监测点,具体为:
根据目标区域的区域范围获取范围内的污染源信息,根据污染源信息提取污染源位置信息及污染源产出的污染物,通过污染物筛选出目标区域的标志性污染物;
根据预设环境监测任务在标志性污染物中进行筛选获取目标污染物,获取目标区域现有环境监测井的位置信息,并提取环境监测井中环境监测信息,分析目标污染物现有监测数据;
将目标污染物的现有监测数据进行数据预处理,通过预处理后的现有监测数据进行数据分析,通过大数据手段检索获取目标污染物扩散相关经验,设置当前环境监测井位置分布下的监测数据相关性标准;
根据数据分析获取不同位置环境监测井的数据关联,判断所述数据关联与监测数据相关性标准的偏差,当偏差不处于预设偏差区间时,则获取目标区域的GIS地理数据;
根据所述GIS地理数据获取目标区域内的地形及水文数据,在现有环境监测井的基础上根据污染源位置信息利用遗传算法进行位置寻优新增监测点,结合环境监测井生成目标污染物监测点。
2.根据权利要求1所述的一种基于深度学习的扩散预测方法,其特征在于,通过目标污染物监测点采集目标污染物浓度信息,基于所述目标污染物浓度信息对各监测点进行聚类,获取目标区域的污染扩散格局,具体为:
根据目标污染物监测点的位置信息将目标区域进行格网划分,获取目标污染物监测点采集的目标污染物浓度信息,将格网结合所述目标污染物浓度信息获取聚类样本集;
根据聚类样本集中格网位置信息及目标污染物浓度信息获取格网样本之间的相似度矩阵,通过所述相似度矩阵获取格网样本之间的吸引度及归属度,经过多次迭代后,得到聚类样本集的聚类中心;
通过所述聚类样本集的聚类中心获取聚类结果,根据聚类结果获取目标区域的污染分布,并根据聚类结果中的各格网样本的类内距离确定扩散方向;
根据所述目标区域的污染分布及扩散方向生成目标区域内目标污染物的扩散格局。
3.根据权利要求1所述的一种基于深度学习的扩散预测方法,其特征在于,通过扩散预测模型对连续时间段内目标污染物浓度及土壤性质、水质性质获取时空关联特征,具体为:
根据目标污染物的历史监测数据结合目标污染物的扩散格局获取污染区域目标污染物的浓度变化序列,将所述浓度变化序列进行预处理,剔除异常监测数据;
基于深度学习构建扩散预测模型,将预处理后的目标污染物浓度变化序列作为模型输入,并进行归一化处理;
通过图注意力网络对目标区域目标污染物监测点形成的图结构进行学***均池化及最大池化结合对邻居节点分配不同的权重;
另外在目标污染物监测站点之间根据扩散方向设置注意力系数,根据所述注意力系数进行邻居节点的聚合,并滤除无用节点,根据图注意力网络的邻居聚合机制获取目标污染物浓度变化序列对应的空间特征;
将图注意力网络输出的特征序列输入DASeq2Seq模型进行特征编码,利用当前时间戳的特征输入和上一时间戳的隐藏状态获取当前时间戳的隐藏状态,并在DASeq2Seq模型中引入时间注意力,表征特征序列中各个特征的重要性;
通过解码器进行解码后,获取时空关联特征。
4.根据权利要求3所述的一种基于深度学习的扩散预测方法,其特征在于,通过图注意力网络对目标区域目标污染物监测点形成的图结构进行学习表示,具体为:获取目标区域内目标污染物监测点的位置信息,确定空间拓扑关系,定义为/>,/>表示目标污染物监测点,作为图结构中的节点,/>表示目标污染物监测点的之间的空间关系;获取目标污染物监测点所在格网,将对应的目标污染物监测数据作为节点特征,获取格网中的土壤特性及水体特性,作为节点的附加特征;
通过图注意力网络的消息传递机制及邻居聚合机制对节点特征进行表示学习,生成对应的低维向量表示。
5.根据权利要求1所述的一种基于深度学习的扩散预测方法,其特征在于,利用目标区域当前时间的污染分布结合目标污染物的扩散趋势获取潜在污染区域,生成预测污染扩散分布,并进行可视化显示,具体为:
根据目标区域内污染扩散格局获取目标污染物当前的污染分布,将当前的污染分布输入训练后的扩散预测模型;
通过所述扩散预测模型进行时空关联特征提取,根据时空关联特征获取预设时间后各目标污染物监测点的目标污染物预测浓度;
根据所述目标污染物预测浓度进行聚类分析,生成新的聚类结果,通过所述新的聚类结果与历史聚类结果进行对比,获取聚类偏差;
根据聚类偏差确定对应格网并进行标记,将标记的格网潜在污染区域,生成预测污染扩散分布,根据预测污染扩散分布生成相关预警信息,将所述预警信息与预测污染扩散分布进行可视化处理。
6.一种基于深度学习的扩散预测***,其特征在于,该***包括:存储器、处理器,所述存储器中包括一种基于深度学习的扩散预测方法程序,所述一种基于深度学习的扩散预测方法程序被所述处理器执行时实现如下步骤:
获取目标区域内污染源信息,根据所述污染源信息筛选目标污染物,根据目标区域的GIS地理数据确定目标污染物监测点;
通过目标污染物监测点采集目标污染物浓度信息,基于所述目标污染物浓度信息对各监测点进行聚类,获取目标区域的污染扩散格局;
根据目标区域的污染扩散格局获取污染区域的目标污染物的浓度变化序列,构建扩散预测模型,基于污染区域的目标污染物的浓度变化序列进行训练;
通过扩散预测模型对连续时间段内目标污染物浓度及土壤性质、水质性质获取时空关联特征,通过时空关联特征表征目标污染物的扩散趋势;
利用目标区域当前时间的污染分布结合目标污染物的扩散趋势获取潜在污染区域,生成预测污染扩散分布,并进行可视化显示;
根据所述污染源信息筛选目标污染物,根据目标区域的GIS地理数据确定目标污染物监测点,具体为:
根据目标区域的区域范围获取范围内的污染源信息,根据污染源信息提取污染源位置信息及污染源产出的污染物,通过污染物筛选出目标区域的标志性污染物;
根据预设环境监测任务在标志性污染物中进行筛选获取目标污染物,获取目标区域现有环境监测井的位置信息,并提取环境监测井中环境监测信息,分析目标污染物现有监测数据;
将目标污染物的现有监测数据进行数据预处理,通过预处理后的现有监测数据进行数据分析,通过大数据手段检索获取目标污染物扩散相关经验,设置当前环境监测井位置分布下的监测数据相关性标准;
根据数据分析获取不同位置环境监测井的数据关联,判断所述数据关联与监测数据相关性标准的偏差,当偏差不处于预设偏差区间时,则获取目标区域的GIS地理数据;
根据所述GIS地理数据获取目标区域内的地形及水文数据,在现有环境监测井的基础上根据污染源位置信息利用遗传算法进行位置寻优新增监测点,结合环境监测井生成目标污染物监测点。
7.根据权利要求6所述的一种基于深度学习的扩散预测***,其特征在于,通过目标污染物监测点采集目标污染物浓度信息,基于所述目标污染物浓度信息对各监测点进行聚类,获取目标区域的污染分布,具体为:
根据目标污染物监测点的位置信息将目标区域进行格网划分,获取目标污染物监测点采集的目标污染物浓度信息,将格网结合所述目标污染物浓度信息获取聚类样本集;
根据聚类样本集中格网位置信息及目标污染物浓度信息获取格网样本之间的相似度矩阵,通过所述相似度矩阵获取格网样本之间的吸引度及归属度,经过多次迭代后,得到聚类样本集的聚类中心;
通过所述聚类样本集的聚类中心获取聚类结果,根据聚类结果获取目标区域的污染分布,并根据聚类结果中的各格网样本的类内距离确定扩散方向;
根据所述目标区域的污染分布及扩散方向生成目标区域内目标污染物的扩散格局。
8.根据权利要求6所述的一种基于深度学习的扩散预测***,其特征在于,通过扩散预测模型对连续时间段内目标污染物浓度及土壤性质、水质性质获取时空关联特征,具体为:
根据目标污染物的历史监测数据结合目标污染物的扩散格局获取污染区域目标污染物的浓度变化序列,将所述浓度变化序列进行预处理,剔除异常监测数据;
基于深度学习构建扩散预测模型,将预处理后的目标污染物浓度变化序列作为模型输入,并进行归一化处理;
通过图注意力网络对目标区域目标污染物监测点形成的图结构进行学***均池化及最大池化结合对邻居节点分配不同的权重;
另外在目标污染物监测站点之间根据扩散方向设置注意力系数,根据所述注意力系数进行邻居节点的聚合,并滤除无用节点,根据图注意力网络的邻居聚合机制获取目标污染物浓度变化序列对应的空间特征;
将图注意力网络输出的特征序列输入DASeq2Seq模型进行特征编码,利用当前时间戳的特征输入和上一时间戳的隐藏状态获取当前时间戳的隐藏状态,并在DASeq2Seq模型中引入时间注意力,表征特征序列中各个特征的重要性;
通过解码器进行解码后,获取时空关联特征。
9.根据权利要求6所述的一种基于深度学习的扩散预测***,其特征在于,利用目标区域当前时间的污染分布结合目标污染物的扩散趋势获取潜在污染区域,生成预测污染扩散分布,并进行可视化显示,具体为:
根据目标区域内污染扩散格局获取目标污染物当前的污染分布,将当前的污染分布输入训练后的扩散预测模型;
通过所述扩散预测模型进行时空关联特征提取,根据时空关联特征获取预设时间后各目标污染物监测点的目标污染物预测浓度;
根据所述目标污染物预测浓度进行聚类分析,生成新的聚类结果,通过所述新的聚类结果与历史聚类结果进行对比,获取聚类偏差;
根据聚类偏差确定对应格网并进行标记,将标记的格网潜在污染区域,生成预测污染扩散分布,根据预测污染扩散分布生成相关预警信息,将所述预警信息与预测污染扩散分布进行可视化处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310465760.9A CN116186566B (zh) | 2023-04-27 | 2023-04-27 | 基于深度学习的扩散预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310465760.9A CN116186566B (zh) | 2023-04-27 | 2023-04-27 | 基于深度学习的扩散预测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116186566A CN116186566A (zh) | 2023-05-30 |
CN116186566B true CN116186566B (zh) | 2023-07-21 |
Family
ID=86434863
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310465760.9A Active CN116186566B (zh) | 2023-04-27 | 2023-04-27 | 基于深度学习的扩散预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116186566B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116362571B (zh) * | 2023-06-02 | 2023-08-08 | 北京建工环境修复股份有限公司 | 一种基于深度学习的多源污染时空特征分析方法及*** |
CN116362569B (zh) * | 2023-06-02 | 2023-08-01 | 北京建工环境修复股份有限公司 | 一种场地污染的多维度评估方法及*** |
CN116384775B (zh) * | 2023-06-02 | 2023-08-01 | 北京建工环境修复股份有限公司 | 一种污染场地监测设备的管理方法、***及存储介质 |
CN116384776B (zh) * | 2023-06-02 | 2023-08-01 | 北京建工环境修复股份有限公司 | 基于模糊评价的场地污染评估方法、***及存储介质 |
CN116384754B (zh) * | 2023-06-02 | 2023-08-04 | 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 |
CN116629035B (zh) * | 2023-07-25 | 2023-09-15 | 欧梯恩智能科技(苏州)有限公司 | 河道污染扩散模拟方法、装置及*** |
CN116773781B (zh) * | 2023-08-18 | 2023-12-05 | 北京建工环境修复股份有限公司 | 一种用于土壤中全氟化合物的污染分析方法、***及介质 |
CN116842350B (zh) * | 2023-09-01 | 2023-11-03 | 北京建工环境修复股份有限公司 | 一种污染场地植物修复的分析方法、***及介质 |
CN117391126A (zh) * | 2023-09-07 | 2024-01-12 | 中国石油大学(华东) | 基于图物理信息深度学习的氢泄漏扩散智能高效预测方法 |
CN116975378B (zh) * | 2023-09-21 | 2023-12-05 | 江苏云天精筑环境科技有限公司 | 一种基于大数据的设备环境监测方法及*** |
CN117310101A (zh) * | 2023-10-31 | 2023-12-29 | 湖北凌创环保有限公司 | 一种大气污染物浓度监测*** |
CN117390464B (zh) * | 2023-12-11 | 2024-03-08 | 唐山华洋自动化有限公司 | 基于kafka技术的分布式大气污染监测方法及*** |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107145611A (zh) * | 2017-06-15 | 2017-09-08 | 阿克苏地区环境保护局 | 重点工业污染源实时监控动态管理信息平台 |
CN113657698A (zh) * | 2020-05-12 | 2021-11-16 | 中国环境科学研究院 | 基于多元统计和受体模型的流域分区污染源识别方法 |
US20230007082A1 (en) * | 2021-06-30 | 2023-01-05 | Microsoft Technology Licensing, Llc | Pollutant sensor placement |
-
2023
- 2023-04-27 CN CN202310465760.9A patent/CN116186566B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN116186566A (zh) | 2023-05-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116186566B (zh) | 基于深度学习的扩散预测方法及*** | |
Kang et al. | Air quality prediction: Big data and machine learning approaches | |
CN116385689B (zh) | 一种场地污染数据的可视化信息管理方法、***及介质 | |
CN116629619B (zh) | 一种土壤新污染物赋存状况预测方法及*** | |
CN114997546B (zh) | 基于多源数据的监测井综合调查评价方法、***及介质 | |
CN116384754B (zh) | 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 | |
CN116168771B (zh) | 一种基于物联网的河流中全氟化合物污染监测方法及*** | |
CN116485202B (zh) | 一种基于物联网工业污染实时监测方法及*** | |
CN116362569B (zh) | 一种场地污染的多维度评估方法及*** | |
CN115308101B (zh) | 水质监测管理方法及*** | |
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*** | |
CN113033861A (zh) | 一种基于时间序列模型的水质预测方法及*** | |
CN116340723A (zh) | 基于大数据的乡村水污染快速溯源方法及*** | |
CN116109462A (zh) | 一种自然灾害后饮水水源地污染监测预警方法及*** | |
CN115017511A (zh) | 一种源代码漏洞检测方法、装置以及存储介质 | |
Luo et al. | A fast PM2. 5 forecast approach based on time-series data analysis, regression and regularization | |
CN116702047A (zh) | 一种地下水实时监测方法、***及介质 | |
CN117172996B (zh) | 一种用于生态环境修复的微生物活性识别监测方法及*** | |
CN117171695B (zh) | 一种抗生素污染土壤生态修复效果评价的方法及*** | |
CN116384775B (zh) | 一种污染场地监测设备的管理方法、***及存储介质 | |
CN116090710B (zh) | 一种企业排污许可的管理方法、***、电子设备及介质 | |
CN117033923A (zh) | 一种基于可解释性机器学习的犯罪数量预测方法及*** | |
Mohammad et al. | Air Pollution Comparison RFM Model Using Machine Learning Approach | |
CN117172578B (zh) | 一种基于微生物识别的土壤生态环境修复方法及*** | |
CN117542434B (zh) | 一种基于数据分析的空气污染物浓度分析方法 |
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 |