CN116384776B - 基于模糊评价的场地污染评估方法、***及存储介质 - Google Patents
基于模糊评价的场地污染评估方法、***及存储介质 Download PDFInfo
- Publication number
- CN116384776B CN116384776B CN202310645400.7A CN202310645400A CN116384776B CN 116384776 B CN116384776 B CN 116384776B CN 202310645400 A CN202310645400 A CN 202310645400A CN 116384776 B CN116384776 B CN 116384776B
- Authority
- CN
- China
- Prior art keywords
- pollution
- data
- membership
- sample data
- sample
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 78
- 238000003860 storage Methods 0.000 title claims abstract description 23
- 238000009792 diffusion process Methods 0.000 claims abstract description 77
- 230000005764 inhibitory process Effects 0.000 claims abstract description 23
- 241000196324 Embryophyta Species 0.000 claims description 71
- 230000006870 function Effects 0.000 claims description 41
- 239000011159 matrix material Substances 0.000 claims description 39
- 230000000007 visual effect Effects 0.000 claims description 33
- 230000001629 suppression Effects 0.000 claims description 26
- 238000000034 method Methods 0.000 claims description 23
- 239000002689 soil Substances 0.000 claims description 20
- 239000003344 environmental pollutant Substances 0.000 claims description 14
- 231100000719 pollutant Toxicity 0.000 claims description 14
- 239000003112 inhibitor Substances 0.000 claims description 12
- 239000002245 particle Substances 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 claims description 8
- 239000003673 groundwater Substances 0.000 claims description 8
- 238000000547 structure data Methods 0.000 claims description 6
- 238000012876 topography Methods 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 abstract description 5
- 238000011109 contamination Methods 0.000 description 7
- 230000012010 growth Effects 0.000 description 7
- 230000005012 migration Effects 0.000 description 6
- 238000013508 migration Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 239000002253 acid Substances 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000003900 soil pollution Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 241000209219 Hordeum Species 0.000 description 2
- 235000007340 Hordeum vulgare Nutrition 0.000 description 2
- 229910052782 aluminium Inorganic materials 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 229910001385 heavy metal Inorganic materials 0.000 description 2
- 244000005700 microbiome Species 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 1
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 1
- 241000209140 Triticum Species 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- -1 aluminum ions Chemical class 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 239000000356 contaminant Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000035622 drinking Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 239000011591 potassium Substances 0.000 description 1
- 229910052700 potassium Inorganic materials 0.000 description 1
- 244000144977 poultry Species 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 229910052717 sulfur Inorganic materials 0.000 description 1
- 239000011593 sulfur Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—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
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- 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
- G06F16/23—Updating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2337—Non-hierarchical techniques using fuzzy logic, i.e. fuzzy clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Automation & Control Theory (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Databases & Information Systems (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于模糊评价的场地污染评估方法、***及存储介质,属于污染评估技术领域,本发明通过基于每一污染样本数据的隶属度数据生成可视化污染程度分布图,最后通过获取目标区域的地形数据信息,并根据目标区域的地形数据信息以及可视化污染程度分布图进行扩散预测,获取扩散预测结果,通过对扩散预测结果进行修正,获取最终的评估结果。本发明通过引入抑制因子模型,对样本到其他类的隶属度进行抑制,能够进一步加强最大隶属度的奖励机制,可以加快聚类算法的收敛,改善了聚类效率;另一方面,本发明通过植物的应激性状数据对污染扩散结果进行修正,从而获取到更精确的污染扩散结果,提高污染扩散的评估准确性。
Description
技术领域
本发明涉及污染评估技术领域,尤其涉及一种基于模糊评价的场地污染评估方法、***及存储介质。
背景技术
近年来,在重点污染企业、工业密集地区、工矿开采区域和周边地区等地区出现了土壤污染种类繁多、新旧污染共存、无机与有机综合污染严重的局面,其中矿业开采是环境介质中重金属污染的主要来源之一。土壤重金属污染具有隐蔽性、累积性、地域性等特点,摸清场地的污染特征是对其进行安全利用的前提。然而,在场地污染的评估过程中,需要通过一定的算法将样本数据转换为计算机***能够识别的数据,以实现污染情况的快速识别;而模糊聚类算法亦是处理样本数据的高效算法,模糊聚类分析是根据客观事物间的特征、亲疏程度、相似性,通过建立模糊相似关系对客观事物进行聚类的分析方法。然而,对于模糊聚类算法在处理污染样本数据时归类时的聚类效率低下,以及容易陷入到局部最优解的情况;其次,针对于场地污染的扩散预测还不够准确。
发明内容
本发明克服了现有技术的不足,提供了一种基于模糊评价的场地污染评估方法、***及存储介质。
为达上述目的,本发明采用的技术方案为:
本发明第一方面提供了一种基于模糊评价的场地污染评估方法,包括以下步骤:
获取当前目标区域的污染样本数据信息,并通过模糊聚类算法对当前目标区域的污染样本数据信息进行聚类,获取污染样本数据相应的隶属度矩阵;
引入抑制因子,并根据抑制因子对污染样本数据相应的隶属度矩阵进行修正,获取修正后的污染样本数据相应的隶属度函数;
根据修正后的污染样本数据相应的隶属度函数获取每一污染样本数据的隶属度数据,并基于每一污染样本数据的隶属度数据生成可视化污染程度分布图;
获取目标区域的数字高程模型数据信息,并根据所述目标区域的数字高程模型数据信息以及可视化污染程度分布图进行扩散预测,获取扩散预测结果,通过对所述扩散预测结果进行修正,获取最终的评估结果。
进一步地,本发明的一个较佳实施例中,通过模糊聚类算法对当前目标区域的污染样本数据信息进行聚类,获取污染样本数据相应的隶属度矩阵,具体包括以下步骤:
初始化聚类中心的范围,并引入粒子群算法,设置粒子群规模、最大迭代次数和学习因子;
根据当前目标区域的污染样本数据信息设定聚类数目、迭代终止条件、最大迭代次数、高斯核数目、高斯核参数、约束系数;
根据聚类中心的范围,通过聚类算法的目标函数不断更新聚类中心以及隶属度矩阵,当达到最大迭代次数时,则停止迭代,获取相应的隶属度矩阵;
根据相应的隶属度矩阵把目标样本设置为相应的最佳聚类中心,并输出污染样本数据相应的隶属度矩阵。
进一步地,本发明的一个较佳实施例中,引入抑制因子,并根据抑制因子对污染样本数据相应的隶属度矩阵进行修正,获取修正后的污染样本数据相应的隶属度函数,具体包括:
根据污染样本数据相应的隶属度矩阵获取每一个样本对应的隶属度,并构建抑制因子生成模型;
根据抑制因子生成模型对每一样本的隶属度进行更新;
通过更新之后,获取修正后的污染样本数据相应的隶属度函数,并将修正后的污染样本数据相应的隶属度函数输出;
其中,抑制因子生成模型满足以下关系式:
;
其中,k为抑制因子,N为样本个数,表示样本i到聚类中心j的隶属度;
在求出抑制因子之后,通过以下关系式对每一样本的隶属度进行更新:
;
为更新后的样本i到聚类中心j的隶属度。
进一步地,本发明的一个较佳实施例中,根据修正后的污染样本数据相应的隶属度函数获取每一污染样本数据的隶属度数据,并基于每一污染样本数据的隶属度数据生成可视化污染程度分布图,具体包括以下步骤:
根据修正后的污染样本数据相应的隶属度函数获取每一污染样本数据的隶属度数据,并判断每一污染样本数据的隶属度数据是否大于预设隶属度;
若隶属度数据大于预设隶属度时,则获取隶属度数据大于预设隶属度的污染样本数据,并根据隶属度数据大于预设隶属度的污染样本数据获取各污染样本数据的地理位置信息;
根据隶属度预设若干个污染程度,并根据污染程度对隶属度数据大于预设隶属度的污染样本数据进行污染程度的划分,获取各程度的污染区域;
根据各污染样本数据的地理位置信息以及各程度的污染区域构建可视化污染程度分布图,并将可视化污染程度分布图输出。
进一步地,本发明的一个较佳实施例中,获取目标区域的数字高程模型数据信息,并根据所述目标区域的数字高程模型数据信息以及可视化污染程度分布图进行扩散预测,获取扩散预测结果,具体包括以下步骤:
获取所述可视化污染程度分布图中每一污染区域的所在地理位置信息,并根据所述每一污染区域的所在地理位置信息获取每一污染区域的数字高程模型数据信息、地层结构信息;
根据所述每一污染区域的数字高程模型数据信息以及地层结构信息构建地层结构三维空间数据信息,并基于所述地层结构三维空间数据信息获取地下水流场、土壤地质特征数据、地面地形结构数据;
结合地下水流场、土壤地质特征数据、地面地形结构数据确定污染物的污染流向数据;
根据所述污染物的污染流向数据确定污染的扩散流向,获取扩散预测结果,将所述扩散预测结果输出。
进一步地,本发明的一个较佳实施例中,通过对扩散预测结果进行修正,获取最终的评估结果,具体包括:
通过大数据获取相关植物在各种污染成分数据之下的应激性状数据,构建数据库,并将相关植物在各种污染成分数据之下的应激性状数据输入到数据库中存储,定期更新数据库;
获取每一污染区域的污染成分数据,并根据每一污染区域的污染成分数据通过对数据库进行识别,获取当前每一污染区域污染成分数据对于各植物的应激性状数据;
通过遥感技术获取当前每一污染区域中的植物遥感图像数据,并通过对植物遥感图像数据进行识别,获取每一污染区域中植物品种应激性状数据;
获取应激性状数据对应植物品种所在的位置信息,当应激性状数据对应植物品种所在的位置信息不涉及扩散预测结果时,则根据应激性状数据对应植物品种所在的位置信息对扩散预测结果进行修正,获取最终的评估结果。
本发明第二方面提供了一种基于模糊评价的场地污染评估***,***包括存储器以及处理器,存储器中包括基于模糊评价的场地污染评估方法程序,基于模糊评价的场地污染评估方法程序被处理器执行时,实现如下步骤:
获取当前目标区域的污染样本数据信息,并通过模糊聚类算法对当前目标区域的污染样本数据信息进行聚类,获取污染样本数据相应的隶属度矩阵;
引入抑制因子,并根据抑制因子对污染样本数据相应的隶属度矩阵进行修正,获取修正后的污染样本数据相应的隶属度函数;
根据修正后的污染样本数据相应的隶属度函数获取每一污染样本数据的隶属度数据,并基于每一污染样本数据的隶属度数据生成可视化污染程度分布图;
获取目标区域的数字高程模型数据信息,并根据所述目标区域的数字高程模型数据信息以及可视化污染程度分布图进行扩散预测,获取扩散预测结果,通过对所述扩散预测结果进行修正,获取最终的评估结果。
在本实施例中,引入抑制因子,并根据抑制因子对污染样本数据相应的隶属度矩阵进行修正,获取修正后的污染样本数据相应的隶属度函数,具体包括:
根据污染样本数据相应的隶属度矩阵获取每一个样本对应的隶属度,并构建抑制因子生成模型;
根据抑制因子生成模型对每一样本的隶属度进行更新;
通过更新之后,获取修正后的污染样本数据相应的隶属度函数,并将修正后的污染样本数据相应的隶属度函数输出;
其中,抑制因子生成模型满足以下关系式:
;
其中,k为抑制因子,N为样本个数,表示样本i到聚类中心j的隶属度;
在求出抑制因子之后,通过以下关系式对每一样本的隶属度进行更新:
;
为更新后的样本i到聚类中心j的隶属度。
在本实施例中,通过对扩散预测结果进行修正,获取最终的评估结果,具体包括:
通过大数据获取相关植物在各种污染成分数据之下的应激性状数据,构建数据库,并将相关植物在各种污染成分数据之下的应激性状数据输入到数据库中存储,定期更新数据库;
获取每一污染区域的污染成分数据,并根据每一污染区域的污染成分数据通过对数据库进行识别,获取当前每一污染区域污染成分数据对于各植物的应激性状数据;
通过遥感技术获取当前每一污染区域中的植物遥感图像数据,并通过对植物遥感图像数据进行识别,获取每一污染区域中植物品种应激性状数据;
获取应激性状数据对应植物品种所在的位置信息,当应激性状数据对应植物品种所在的位置信息不涉及扩散预测结果时,则根据应激性状数据对应植物品种所在的位置信息对扩散预测结果进行修正,获取最终的评估结果。
本发明第三方面提供了一种计算机可读存储介质,计算机可读存储介质包括基于模糊评价的场地污染评估方法程序,基于模糊评价的场地污染评估方法程序被处理器执行时,实现任一项的基于模糊评价的场地污染评估方法的步骤。
本发明解决了背景技术中存在的缺陷,本发明具备以下有益效果:
本发明通过获取当前目标区域的污染样本数据信息,并通过模糊聚类算法对当前目标区域的污染样本数据信息进行聚类,获取污染样本数据相应的隶属度矩阵,进一步引入抑制因子,并根据抑制因子对污染样本数据相应的隶属度矩阵进行修正,获取修正后的污染样本数据相应的隶属度函数,进而根据修正后的污染样本数据相应的隶属度函数获取每一污染样本数据的隶属度数据,并基于每一污染样本数据的隶属度数据生成可视化污染程度分布图,最后通过获取目标区域的地形数据信息,并根据目标区域的地形数据信息以及可视化污染程度分布图进行扩散预测,获取扩散预测结果,通过对扩散预测结果进行修正,获取最终的评估结果。本发明通过引入抑制因子模型,对样本到其他类的隶属度进行抑制,能够进一步加强最大隶属度的奖励机制,可以加快聚类算法的收敛,改善了聚类效率;另一方面,引入了粒子群算法对聚类中心进行迭代选择,从而选择出适合的聚类中心个数,有效地避免了陷入局部最优解的情况;再一方面,本发明通过植物的应激性状数据对污染扩散结果进行修正,从而获取到更精确的污染扩散结果,提高污染扩散的评估准确性。
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示出了基于模糊评价的场地污染评估方法的具体方法流程图;
图2示出了基于模糊评价的场地污染评估方法的第一方法流程图;
图3示出了基于模糊评价的场地污染评估方法的第二方法流程图;
图4示出了基于模糊评价的场地污染评估***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。
如图1所示,本发明第一方面提供了一种基于模糊评价的场地污染评估方法,包括以下步骤:
S102:获取当前目标区域的污染样本数据信息,并通过模糊聚类算法对当前目标区域的污染样本数据信息进行聚类,获取污染样本数据相应的隶属度矩阵;
在本步骤S102中,具体包括以下步骤:
初始化聚类中心的范围为40到100,并引入粒子群算法,设置粒子群规模为30、最大迭代次数为30和学习因子为2;
根据当前目标区域的污染样本数据信息设定聚类数目N=1000、迭代终止条件为10-5、最大迭代次数为100、高斯核数目为2、高斯核参数为150、约束系数为0.6;
根据聚类中心的范围,通过聚类算法的目标函数不断更新聚类中心以及隶属度矩阵,当达到最大迭代次数100时,则停止迭代,获取相应的隶属度矩阵;
根据相应的隶属度矩阵把目标样本设置为相应的最佳聚类中心,并输出污染样本数据相应的隶属度矩阵。
其中,通过引入了粒子群算法对聚类中心进行迭代选择,从而选择出适合的聚类中心个数,有效地避免了陷入局部最优解的情况。
S104:引入抑制因子,并根据抑制因子对污染样本数据相应的隶属度矩阵进行修正,获取修正后的污染样本数据相应的隶属度函数;
在本S104的步骤中,具体包括:
根据污染样本数据相应的隶属度矩阵获取每一个样本对应的隶属度,并构建抑制因子生成模型;
根据抑制因子生成模型对每一样本的隶属度进行更新;
通过更新之后,获取修正后的污染样本数据相应的隶属度函数,并将修正后的污染样本数据相应的隶属度函数输出;
其中,抑制因子生成模型满足以下关系式:
;
其中,k为抑制因子,N为样本个数,表示样本i到聚类中心j的隶属度;
在求出抑制因子之后,通过以下关系式对每一样本的隶属度进行更新:
;
为更新后的样本i到聚类中心j的隶属度。
需要说明的是,其中,按照上述的关系式,样本中的最大隶属度的越大,表示样本距离最大隶属度所在的类距离越近,此时样本对该类别具有竞争优势,应予以奖励,同时对样本到其他类的隶属度进行抑制。当样本的最大隶属度越大时,其非最大隶属度之和就会越小,则抑制因子就会越小,对非最大隶属度所在类的抑制程度就会越大,该抑制方式符合聚类算法的机制。通过引入抑制因子模型,对样本到其他类的隶属度进行抑制,能够进一步加强最大隶属度的奖励机制,可以加快聚类算法的收敛,改善了聚类效率。
示例性的,例如,有机物污染浓度特征可用语义词表示为“=无污染”、“/>=低度污染”、“/>=中度污染”和 “/>=重度污染”,对应模糊隶属度函数可以设置为/>,以此类推,示例性的,其中无污染的样本数据可以自行设置为0到0.1mol/L的有机物污染,用户可以根据实际的污染标准进行设置。
S106:根据修正后的污染样本数据相应的隶属度函数获取每一污染样本数据的隶属度数据,并基于每一污染样本数据的隶属度数据生成可视化污染程度分布图;
如图2所示,其中,在本步骤S106中,具体包括:
根据修正后的污染样本数据相应的隶属度函数获取每一污染样本数据的隶属度数据,并判断每一污染样本数据的隶属度数据是否大于预设隶属度;
若隶属度数据大于预设隶属度时,则获取隶属度数据大于预设隶属度的污染样本数据,并根据隶属度数据大于预设隶属度的污染样本数据获取各污染样本数据的地理位置信息;
根据隶属度预设若干个污染程度,并根据污染程度对隶属度数据大于预设隶属度的污染样本数据进行污染程度的划分,获取各程度的污染区域;
根据各污染样本数据的地理位置信息以及各程度的污染区域构建可视化污染程度分布图,并将可视化污染程度分布图输出。
当所述隶属度数据大于无污染的隶属度数据时,根据各污染样本数据的地理位置信息以及各程度的污染区域构建可视化污染程度分布图。
S108: 获取目标区域的数字高程模型数据信息,并根据所述目标区域的数字高程模型数据信息以及可视化污染程度分布图进行扩散预测,获取扩散预测结果,通过对所述扩散预测结果进行修正,获取最终的评估结果。
如图2所示,其中,在本本S108步骤中,其中,根据所述目标区域的数字高程模型数据信息以及可视化污染程度分布图进行扩散预测,获取扩散预测结果,具体为:
S202: 获取可视化污染程度分布图中每一污染区域的所在地理位置信息,并根据每一污染区域的所在地理位置信息获取每一污染区域的数字高程模型数据信息、地层结构信息;
S204:根据每一污染区域的数字高程模型数据信息以及地层结构信息构建地层结构三维空间数据信息,并基于地层结构三维空间数据信息获取地下水流场、土壤地质特征数据、地面地形结构数据;
S206:结合地下水流场、土壤地质特征数据、地面地形结构数据确定污染物的污染流向数据;
S208:根据污染物的污染流向数据确定污染的扩散流向,获取扩散预测结果,将所述扩散预测结果输出。
数字高程模型是用一组有序数值阵列形式表示地面高程的一种实体地面模型,是数字地形模型(Digital Terrain Model,简称DTM)的一个分支,其它各种地形特征值均可由此派生。一般认为,DTM是描述包括高程在内的各种地貌因子,如坡度、坡向、坡度变化率等因子在内的线性和非线性组合的空间分布。其中,地形数据与土壤污染的扩散密切相关,如地形为倾斜的平面,根据水往低处流的原理,土壤污染主要跟着水水分的径流方向进行扩散,通过本方法能够预测土壤污染的进一步扩散。其中,土壤地质特征包括土壤类型、土壤类型污染物的迁移特性(如各种浓度的污染物在土壤中的迁移特性),其中,地下水流场为污染区域中地下水的流向。
如图3所示,其中,在步骤S108中,通过对扩散预测结果进行修正,获取最终的评估结果,具体包括:
S302:通过大数据获取相关植物在各种污染成分数据之下的应激性状数据,构建数据库,并将相关植物在各种污染成分数据之下的应激性状数据输入到数据库中存储,定期更新数据库;
S304:获取每一污染区域的污染成分数据,并根据每一污染区域的污染成分数据通过对数据库进行识别,获取当前每一污染区域污染成分数据对于各植物的应激性状数据;
S306:通过遥感技术获取当前每一污染区域中的植物遥感图像数据,并通过对植物遥感图像数据进行识别,获取每一污染区域中植物品种应激性状数据;
S308:获取应激性状数据对应植物品种所在的位置信息,当应激性状数据对应植物品种所在的位置信息不涉及扩散预测结果时,则根据应激性状数据对应植物品种所在的位置信息对扩散预测结果进行修正,获取最终的评估结果。
需要说明的是,在本实施例中,其中污染成分类型可能对植物造成一定的应激性性状,酸性土壤会让土壤中的有益微生物数量减少,并会抑制有益微生物的生长和活动,对土壤中的有机质分解以及氮、磷、钾、硫等元素的循环起到阻碍作用。不仅如此,酸性土壤还会造成病菌滋生、根系病害增加,导致植物的生长缓慢甚至导致植物死亡。又如土壤中的铝离子在酸性土壤中,会对小麦幼苗造成为害,对大麦的相对产量也会形成很大的影响。土壤中随着交换性铝含量的增加,大麦的相对产量大幅度下降。与此同时,在酸性土壤中栽培种植作物,容易引起僵苗、老苗,作物的品质变劣。通过本方法结合植物的应激性性状来预估污染的扩散,提高了对扩散预测结果的预测精度。其中可以通过图像识别技术对植物遥感图像数据进行识别,如神经网络、大数据分析等方向进行识别植物品种应激性状数据。
需要说明的是,本发明通过引入抑制因子模型,对样本到其他类的隶属度进行抑制,能够进一步加强最大隶属度的奖励机制,可以加快聚类算法的收敛,改善了聚类效率;另一方面,引入了粒子群算法对聚类中心进行迭代选择,从而选择出适合的聚类中心个数,有效地避免了陷入局部最优解的情况;再一方面,本发明通过植物的应激性状数据对污染扩散结果进行修正,从而获取到更精确的污染扩散结果,提高污染扩散的评估准确性。
此外,本发明还可以包括以下步骤:
获取每一污染区域的污染扩散结果以及所在的地理位置数据信息,并根据所述每一污染区域的污染扩散结果构建可视化扩散范围数据;
根据所述所在的地理位置数据信息通过地图资源数据信息检索,并获取每一污染区域所在地理位置的地图资源数据信息,判断所述每一污染区域所在地理位置的地图资源数据信息是否为预设地图资源数据信息;
若所述每一污染区域所在地理位置的地图资源数据信息为预设地图资源数据信息,并根据所述可视化扩散范围数据与预设地图资源数据信息计算出欧式距离;
当所述欧式距离低于预设距离范围阈值时,并根据所述可视化扩散范围数据与预设地图资源数据信息生成相应的预警信息,同时生成相应的土壤治理方向。
需要说明的是,预设地图资源数据信息可以为饮水井、灌溉井、家禽养殖区域等情况,当可视化扩散范围数据与预设地图资源数据信息之间的欧式距离低于预设距离范围阈值时,进行快速预警,以提示用户。可以地图软件来获取每一污染区域所在地理位置的地图资源数据信息。
此外,根据应激性状数据对应植物品种所在的位置信息对扩散预测结果进行修正,获取最终的评估结果,具体可以包括以下步骤:通过大数据获取各种类的植物品种的根系平均生长深度数据信息,并将所述各种类的植物品种的根系平均生长深度数据信息输入到数据库中进行存储;将当前区域对应植物品种输入到所述数据库中进行匹配,获取当前区域对应植物品种的根系平均生长深度数据信息,并获取含有应激性状数据的对应植物品种;提取含有应激性状数据的对应植物品种的根系平均生长深度数据信息,并根据所述根系平均生长深度数据信息进行排序,获取排序结果;从所述排序结果中获取最大的根系平均生长深度数据信息作为污染物迁移深度数据,并根据所述污染物迁移深度数据对扩散预测结果进行修正,获取最终的评估结果。
在本实施例中,植物主要通过根系吸收水分,从而使得污染的成分进入到植物的内部,通过本方法能够进一步精确地得到污染物迁移深度,根据所述污染物迁移深度数据对扩散预测结果进行修正,提高扩散预测结果的精度。
如图4所示,本发明第二方面提供了一种基于模糊评价的场地污染评估***4,***包括存储器41以及处理器62,存储器41中包括基于模糊评价的场地污染评估方法程序,基于模糊评价的场地污染评估方法程序被处理器62执行时,实现如下步骤:
获取当前目标区域的污染样本数据信息,并通过模糊聚类算法对当前目标区域的污染样本数据信息进行聚类,获取污染样本数据相应的隶属度矩阵;
引入抑制因子,并根据抑制因子对污染样本数据相应的隶属度矩阵进行修正,获取修正后的污染样本数据相应的隶属度函数;
根据修正后的污染样本数据相应的隶属度函数获取每一污染样本数据的隶属度数据,并基于每一污染样本数据的隶属度数据生成可视化污染程度分布图;
获取目标区域的数字高程模型数据信息,并根据所述目标区域的数字高程模型数据信息以及可视化污染程度分布图进行扩散预测,获取扩散预测结果,通过对所述扩散预测结果进行修正,获取最终的评估结果。
在本实施例中,引入抑制因子,并根据抑制因子对污染样本数据相应的隶属度矩阵进行修正,获取修正后的污染样本数据相应的隶属度函数,具体包括:
根据污染样本数据相应的隶属度矩阵获取每一个样本对应的隶属度,并构建抑制因子生成模型;
根据抑制因子生成模型对每一样本的隶属度进行更新;
通过更新之后,获取修正后的污染样本数据相应的隶属度函数,并将修正后的污染样本数据相应的隶属度函数输出;
其中,抑制因子生成模型满足以下关系式:
;
其中,k为抑制因子,N为样本个数,表示样本i到聚类中心j的隶属度;
在求出抑制因子之后,通过以下关系式对每一样本的隶属度进行更新:
;
为更新后的样本i到聚类中心j的隶属度。
在本实施例中,通过对扩散预测结果进行修正,获取最终的评估结果,具体包括:
通过大数据获取相关植物在各种污染成分数据之下的应激性状数据,构建数据库,并将相关植物在各种污染成分数据之下的应激性状数据输入到数据库中存储,定期更新数据库;
获取每一污染区域的污染成分数据,并根据每一污染区域的污染成分数据通过对数据库进行识别,获取当前每一污染区域污染成分数据对于各植物的应激性状数据;
通过遥感技术获取当前每一污染区域中的植物遥感图像数据,并通过对植物遥感图像数据进行识别,获取每一污染区域中植物品种应激性状数据;
获取应激性状数据对应植物品种所在的位置信息,当应激性状数据对应植物品种所在的位置信息不涉及扩散预测结果时,则根据应激性状数据对应植物品种所在的位置信息对扩散预测结果进行修正,获取最终的评估结果。
本发明第三方面提供了一种计算机可读存储介质,计算机可读存储介质包括基于模糊评价的场地污染评估方法程序,基于模糊评价的场地污染评估方法程序被处理器执行时,实现任一项的基于模糊评价的场地污染评估方法的步骤。
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 (8)
1.基于模糊评价的场地污染评估方法,其特征在于,包括以下步骤:
获取当前目标区域的污染样本数据信息,并通过模糊聚类算法对所述当前目标区域的污染样本数据信息进行聚类,获取污染样本数据相应的隶属度矩阵;
引入抑制因子,并根据所述抑制因子对所述污染样本数据相应的隶属度矩阵进行修正,获取修正后的污染样本数据相应的隶属度函数;
根据所述修正后的污染样本数据相应的隶属度函数获取每一污染样本数据的隶属度数据,并基于所述每一污染样本数据的隶属度数据生成可视化污染程度分布图;
获取目标区域的数字高程模型数据信息,并根据所述目标区域的数字高程模型数据信息以及可视化污染程度分布图进行扩散预测,获取扩散预测结果,通过对所述扩散预测结果进行修正,获取最终的评估结果;
其中,引入抑制因子,并根据所述抑制因子对所述污染样本数据相应的隶属度矩阵进行修正,获取修正后的污染样本数据相应的隶属度函数,具体包括:
根据所述污染样本数据相应的隶属度矩阵获取每一个样本对应的隶属度,并构建抑制因子生成模型;
根据所述抑制因子生成模型对每一样本的隶属度进行更新;
通过更新之后,获取修正后的污染样本数据相应的隶属度函数,并将所述修正后的污染样本数据相应的隶属度函数输出;
其中,抑制因子生成模型满足以下关系式:
;
其中,k为抑制因子,N为样本个数,表示样本i到聚类中心j的隶属度;
在求出抑制因子之后,通过以下关系式对每一样本的隶属度进行更新:
;
为更新后的样本i到聚类中心j的隶属度。
2.根据权利要求1所述的基于模糊评价的场地污染评估方法,其特征在于,通过模糊聚类算法对所述当前目标区域的污染样本数据信息进行聚类,获取污染样本数据相应的隶属度矩阵,具体包括以下步骤:
初始化聚类中心的范围,并引入粒子群算法,设置粒子群规模、最大迭代次数和学习因子;
根据所述当前目标区域的污染样本数据信息设定聚类数目、迭代终止条件、最大迭代次数、高斯核数目、高斯核参数、约束系数;
根据聚类中心的范围,通过聚类算法的目标函数不断更新聚类中心以及隶属度矩阵,当达到最大迭代次数时,则停止迭代,获取相应的隶属度矩阵;
根据所述相应的隶属度矩阵把目标样本设置为相应的最佳聚类中心,并输出污染样本数据相应的隶属度矩阵。
3.根据权利要求1所述的基于模糊评价的场地污染评估方法,其特征在于,根据所述修正后的污染样本数据相应的隶属度函数获取每一污染样本数据的隶属度数据,并基于所述每一污染样本数据的隶属度数据生成可视化污染程度分布图,具体包括以下步骤:
根据所述修正后的污染样本数据相应的隶属度函数获取每一污染样本数据的隶属度数据,并判断每一污染样本数据的隶属度数据是否大于预设隶属度;
若所述隶属度数据大于预设隶属度时,则获取隶属度数据大于预设隶属度的污染样本数据,并根据所述隶属度数据大于预设隶属度的污染样本数据获取各污染样本数据的地理位置信息;
根据所述隶属度预设若干个污染程度,并根据所述污染程度对所述隶属度数据大于预设隶属度的污染样本数据进行污染程度的划分,获取各程度的污染区域;
根据所述各污染样本数据的地理位置信息以及各程度的污染区域构建可视化污染程度分布图,并将所述可视化污染程度分布图输出。
4.根据权利要求1所述的基于模糊评价的场地污染评估方法,其特征在于,获取目标区域的数字高程模型数据信息,并根据所述目标区域的数字高程模型数据信息以及可视化污染程度分布图进行扩散预测,获取扩散预测结果,具体包括以下步骤:
获取所述可视化污染程度分布图中每一污染区域的所在地理位置信息,并根据所述每一污染区域的所在地理位置信息获取每一污染区域的数字高程模型数据信息、地层结构信息;
根据所述每一污染区域的数字高程模型数据信息以及地层结构信息构建地层结构三维空间数据信息,并基于所述地层结构三维空间数据信息获取地下水流场、土壤地质特征数据、地面地形结构数据;
结合地下水流场、土壤地质特征数据、地面地形结构数据确定污染物的污染流向数据;
根据所述污染物的污染流向数据确定污染的扩散流向,获取扩散预测结果,将所述扩散预测结果输出。
5.根据权利要求1所述的基于模糊评价的场地污染评估方法,其特征在于,通过对所述扩散预测结果进行修正,获取最终的评估结果,具体包括:
通过大数据获取相关植物在各种污染成分数据之下的应激性状数据,构建数据库,并将所述相关植物在各种污染成分数据之下的应激性状数据输入到所述数据库中存储,定期更新所述数据库;
获取每一污染区域的污染成分数据,并根据所述每一污染区域的污染成分数据通过对所述数据库进行识别,获取当前每一污染区域污染成分数据对于各植物的应激性状数据;
通过遥感技术获取当前每一污染区域中的植物遥感图像数据,并通过对植物遥感图像数据进行识别,以获取每一污染区域中植物品种,并获取所述植物品种的应激性状数据;
获取应激性状数据对应植物品种所在的位置信息,当所述应激性状数据对应植物品种所在的位置信息不涉及所述扩散预测结果时,则根据所述应激性状数据对应植物品种所在的位置信息对所述扩散预测结果进行修正,获取最终的评估结果。
6.基于模糊评价的场地污染评估***,其特征在于,所述***包括存储器以及处理器,所述存储器中包括基于模糊评价的场地污染评估方法程序,所述基于模糊评价的场地污染评估方法程序被处理器执行时,实现如下步骤:
获取当前目标区域的污染样本数据信息,并通过模糊聚类算法对所述当前目标区域的污染样本数据信息进行聚类,获取污染样本数据相应的隶属度矩阵;
引入抑制因子,并根据所述抑制因子对所述污染样本数据相应的隶属度矩阵进行修正,获取修正后的污染样本数据相应的隶属度函数;
根据所述修正后的污染样本数据相应的隶属度函数获取每一污染样本数据的隶属度数据,并基于所述每一污染样本数据的隶属度数据生成可视化污染程度分布图;
获取目标区域的数字高程模型数据信息,并根据所述目标区域的数字高程模型数据信息以及可视化污染程度分布图进行扩散预测,获取扩散预测结果,通过对所述扩散预测结果进行修正,获取最终的评估结果;
其中,引入抑制因子,并根据所述抑制因子对所述污染样本数据相应的隶属度矩阵进行修正,获取修正后的污染样本数据相应的隶属度函数,具体包括:
根据所述污染样本数据相应的隶属度矩阵获取每一个样本对应的隶属度,并构建抑制因子生成模型;
根据所述抑制因子生成模型对每一样本的隶属度进行更新;
通过更新之后,获取修正后的污染样本数据相应的隶属度函数,并将所述修正后的污染样本数据相应的隶属度函数输出;
其中,抑制因子生成模型满足以下关系式:
;
其中,k为抑制因子,N为样本个数,表示样本i到聚类中心j的隶属度;
在求出抑制因子之后,通过以下关系式对每一样本的隶属度进行更新:
;
为更新后的样本i到聚类中心j的隶属度。
7.根据权利要求6所述的基于模糊评价的场地污染评估***,其特征在于,通过对所述扩散预测结果进行修正,获取最终的评估结果,具体包括:
通过大数据获取相关植物在各种污染成分数据之下的应激性状数据,构建数据库,并将所述相关植物在各种污染成分数据之下的应激性状数据输入到所述数据库中存储,定期更新所述数据库;
获取每一污染区域的污染成分数据,并根据所述每一污染区域的污染成分数据通过对所述数据库进行识别,获取当前每一污染区域污染成分数据对于各植物的应激性状数据;
通过遥感技术获取当前每一污染区域中的植物遥感图像数据,并通过对植物遥感图像数据进行识别,获取每一污染区域中植物品种应激性状数据;
获取应激性状数据对应植物品种所在的位置信息,当所述应激性状数据对应植物品种所在的位置信息不涉及所述扩散预测结果时,则根据所述应激性状数据对应植物品种所在的位置信息对所述扩散预测结果进行修正,获取最终的评估结果。
8.一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包括基于模糊评价的场地污染评估方法程序,所述基于模糊评价的场地污染评估方法程序被处理器执行时,实现如权利要求1-5任一项所述的基于模糊评价的场地污染评估方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310645400.7A CN116384776B (zh) | 2023-06-02 | 2023-06-02 | 基于模糊评价的场地污染评估方法、***及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310645400.7A CN116384776B (zh) | 2023-06-02 | 2023-06-02 | 基于模糊评价的场地污染评估方法、***及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116384776A CN116384776A (zh) | 2023-07-04 |
CN116384776B true CN116384776B (zh) | 2023-08-01 |
Family
ID=86961862
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310645400.7A Active CN116384776B (zh) | 2023-06-02 | 2023-06-02 | 基于模糊评价的场地污染评估方法、***及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116384776B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116776183B (zh) * | 2023-08-18 | 2023-11-03 | 北京建工环境修复股份有限公司 | 一种六价铬污染场地识别与评价方法及*** |
CN116931534B (zh) * | 2023-09-19 | 2023-12-01 | 深圳市俱进纸品包装有限公司 | 基于物联网的刺绣产品生产控制方法及*** |
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*** |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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*** |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107220907B (zh) * | 2017-06-10 | 2020-07-07 | 福州大学 | 一种采用秩和比综合评价的谐波污染用户分级方法 |
CN109133351A (zh) * | 2018-08-29 | 2019-01-04 | 北京工业大学 | 膜生物反应器-mbr膜污染智能预警方法 |
CN114037064A (zh) * | 2021-11-26 | 2022-02-11 | 江苏科技大学 | 一种船舶大气污染物监测方法及*** |
CN115907479A (zh) * | 2022-12-09 | 2023-04-04 | 中国科学院生态环境研究中心 | 一种层次化的矿区土壤污染生态风险评估方法 |
CN116153437B (zh) * | 2023-04-19 | 2023-06-30 | 乐百氏(广东)饮用水有限公司 | 一种饮用水源的水质安全评价与水质预测方法及*** |
-
2023
- 2023-06-02 CN CN202310645400.7A patent/CN116384776B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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*** |
Also Published As
Publication number | Publication date |
---|---|
CN116384776A (zh) | 2023-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116384776B (zh) | 基于模糊评价的场地污染评估方法、***及存储介质 | |
Gallardo et al. | The importance of the human footprint in shaping the global distribution of terrestrial, freshwater and marine invaders | |
Lozier et al. | Landscape heterogeneity predicts gene flow in a widespread polymorphic bumble bee, Bombus bifarius (Hymenoptera: Apidae) | |
CN116186566B (zh) | 基于深度学习的扩散预测方法及*** | |
CN116842350B (zh) | 一种污染场地植物修复的分析方法、***及介质 | |
CN115494047B (zh) | 一种水环境农业污染物的检测方法及*** | |
CN116773781B (zh) | 一种用于土壤中全氟化合物的污染分析方法、***及介质 | |
CN116776183B (zh) | 一种六价铬污染场地识别与评价方法及*** | |
Miranda et al. | Variable selection for estimating individual tree height using genetic algorithm and random forest | |
CN116153437B (zh) | 一种饮用水源的水质安全评价与水质预测方法及*** | |
CN115937692B (zh) | 一种滨海湿地碳汇效果评估方法和*** | |
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*** | |
Koldasbayeva et al. | Large-scale forecasting of Heracleum sosnowskyi habitat suitability under the climate change on publicly available data | |
Anderson et al. | Predicting Microstegium vimineum invasion in natural plant communities of the southern Blue Ridge Mountains, USA | |
Noah et al. | Identifying resilient restoration targets: Mapping and forecasting habitat suitability for Castanea dentata in Eastern USA under different climate-change scenarios | |
CN117171695B (zh) | 一种抗生素污染土壤生态修复效果评价的方法及*** | |
Prasad et al. | Macro-scale assessment of demographic and environmental variation within genetically derived evolutionary lineages of eastern hemlock (Tsuga canadensis), an imperiled conifer of the eastern United States | |
CN116384775B (zh) | 一种污染场地监测设备的管理方法、***及存储介质 | |
CN115963243A (zh) | 基于养分动态监测的土壤氮磷养分流失阻控方法与*** | |
Brown et al. | Habitat associations of Golden Eagle prey inferred from prey remains at nesting sites in Utah, USA | |
CN117172994B (zh) | 一种污染土壤的微生物联合修复方案推荐方法及*** | |
CN117172578B (zh) | 一种基于微生物识别的土壤生态环境修复方法及*** | |
Chang et al. | Comparison of models of simazine transport and fate in the subsurface environment in a citrus farm | |
Tumaneng et al. | Modeling species distribution of Shorea guiso (Blanco) Blume and Parashorea malaanonan (Blanco) Merr in Mount Makiling Forest Reserve using Maxent | |
CN117171678B (zh) | 一种微生物修复过程中土壤微生物菌群调控方法及*** |
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 |