CN116403092B - 一种基于图像学习的地下水napl污染程度判定方法及*** - Google Patents
一种基于图像学习的地下水napl污染程度判定方法及*** Download PDFInfo
- Publication number
- CN116403092B CN116403092B CN202310645177.6A CN202310645177A CN116403092B CN 116403092 B CN116403092 B CN 116403092B CN 202310645177 A CN202310645177 A CN 202310645177A CN 116403092 B CN116403092 B CN 116403092B
- Authority
- CN
- China
- Prior art keywords
- napl
- pollution
- information
- image
- underground water
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 193
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012544 monitoring process Methods 0.000 claims abstract description 93
- 239000003673 groundwater Substances 0.000 claims abstract description 91
- 239000000126 substance Substances 0.000 claims abstract description 70
- 239000000463 material Substances 0.000 claims abstract description 55
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000013135 deep learning Methods 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000009826 distribution Methods 0.000 claims description 20
- 230000008859 change Effects 0.000 claims description 16
- 230000007613 environmental effect Effects 0.000 claims description 16
- 238000001914 filtration Methods 0.000 claims description 8
- 238000012512 characterization method Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000002708 enhancing effect Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 5
- 238000013523 data management Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 5
- 238000003709 image segmentation Methods 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000003860 storage Methods 0.000 description 8
- 230000008485 antagonism Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000003895 groundwater pollution Methods 0.000 description 5
- 239000007788 liquid Substances 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 239000008346 aqueous phase Substances 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 150000008280 chlorinated hydrocarbons Chemical class 0.000 description 1
- 239000000356 contaminant Substances 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005755 formation reaction Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 239000003209 petroleum derivative Substances 0.000 description 1
- 239000012071 phase Substances 0.000 description 1
- 125000001997 phenyl group Chemical class [H]C1=C([H])C([H])=C(*)C([H])=C1[H] 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 150000003071 polychlorinated biphenyls Chemical group 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- 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
- G06N3/048—Activation functions
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- Y02A20/20—Controlling water pollution; Waste water treatment
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种基于图像学***的关联,实现NAPL的污染程度的快速判定,为预设区域内污染预警及污染治理提供数据支持。
Description
技术领域
本发明涉及地下水污染技术领域,更具体的,涉及一种基于图像学习的地下水NAPL污染程度判定方法及***。
背景技术
地下水污染问题必须解决才能够保证城市居民用水安全。地下水污染判定评价是地下水污染调查与修复的重要组成部分,为研究区地下水污染防治提供依据。
非水相液体(NAPLs)进入到土壤含水层以后不能与水混合,而是以液相、气相的形态赋存在土壤和地下水中。主要的NAPL类物质包括石油烃、苯系物等轻质非水相液体(LNAPL)和氯代烃、多氯联苯等重质非水相液体(DNAPL)。NAPL类物质泄露后进入到土壤中,会垂向运移到地下水中,并随着地下水流动径向迁移扩散,形成污染羽。污染场地中NAPL的疏水性、复合污染物的迁移特征差异、地层的非均质性、地表水-地下水的频繁交互都增加了地下水中NAPL污染程度的判断。因此,如何对地下水NAPL污染程度实现准确判定及预警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,本发明提出了涉及一种基于图像学习的地下水NAPL污染程度判定方法及***。
本发明第一方面提供了一种基于图像学习的地下水NAPL污染程度判定方法,包括:
获取预设区域内地下水监测井中的水体图像信息,对所述水体图像信息进行预处理,提取水体图像信息的图像特征;
根据预设时间内的地下水监测井的监测数据获取地下水中NAPL类物质的物质类型及浓度信息;
将所述图像特征与所述物质类型及浓度信息进行匹配,构建特征数据集,利用特征数据集结合当地水文地质信息构建地下水NAPL污染的数据信息库;
基于深度学习构建地下水NAPL污染程度判定模型,利用数据信息库中的数据进行训练,判断地下水NAPL的污染程度,根据所述污染程度生成污染预警。
本方案中,提取水体图像信息的图像特征,具体为:
通过地下水监测井中预设图像传感器装置根据预设时间间隔获取水体图像信息,将所述水体图像信息进行滤波去噪及图像增强,将滤波去噪及图像增强划分为若干图像块;
计算图像块的信息熵,根据所述信息熵进行判断生成水体图像信息的掩膜图像,并利用掩膜图像进行图像分割,获取预处理后的水体图像信息;
将预处理后的水体图像信息导入CSPNET网络进行特征表征,获取特征图,引入空洞特征金字塔模块,采用不同大小空洞率的空洞卷积进行多尺度特征提取,获取多尺度特征图;
将所述多尺度特征图通过平均池化转化为通道描述,通过两个卷积层及sigmoid和Relu函数获取多尺度特征图的通道注意力权重,利用所述通道注意力权重与多尺度特征图进行相乘获取注意力图;
通过所述注意力图与所述特征图按元素相乘获取水体图像信息的图像特征。
本方案中,利用特征数据集结合当地水文地质信息构建NAPL污染地下水的数据信息库,具体为:
读取预设区域内地下水监测井的历史监测数据,根据历史监测数据判断地下水监测井的有效性,将无效的地下水监测井进行剔除;
获取预设时间内有效的地下水监测井的监测数据,将所述监测数据进行数据清洗,获取地下水中NAPL类物质的物质类型及浓度信息,将图像特征与NAPL污染的物质类型浓度信息交汇,构建特征数据集;
获取预设区域中对应的地下水流向、流速,地表水-地下水交互频率,地层结构信息构建水文地质数据集,与特征数据集进行结合;
建立地下水库NAPL污染的信息数据库,将结合后的特征数据进行结构化处理存入所述信息数据库中,通过所述信息数据库进行预设区域地下水NAPL污染的数据管理及地下水NAPL污染程度判定模型的更新优化。
本方案中,基于深度学习构建地下水NAPL污染程度判定模型,利用数据信息库中的数据进行训练,具体为:
基于深度学习方法构建地下水NAPL污染程度判定模型,提取信息数据库中的特征数据集;
通过大数据手段在预设检索空间中获取NAPL污染对应各物质类型的污染程度判定标准,选取检测数据中出现频次最高的判定标准构建各物质类型的污染程度判定体系;
根据各物质类型的污染程度判定体系及地下水监测井的监测数据对应特征数据集中的数据进行污染程度判定,为对应的图像特征设置污染程度的数据标注;
利用数据标注后的特征数据集对地下水NAPL污染程度判定模型进行训练,当训练次数满足预设次数要求时,输出训练后地下水NAPL污染程度判定模型;
将各地下水监测井的当前水体图像信息的图像特征及预设区域的地理水文信息作为地下水NAPL污染程度判定模型的输入,识别各地下水监测井的图像特征对应的物质种类和浓度信息;
获取预设区域地下水NAPL类物质当前的空间分布,并获取预设区域各区域地下水NAPL类污染的污染程度。
本方案中,根据所述污染程度生成污染预警,之前包括:
将预设区域根据地下水监测井的分布划分为若干子区域,获取子区域中预设时间内地下水NAPL类物质的物质类型及历史浓度信息,并根据所述历史浓度信息生成物质类型对应的浓度时序序列;
根据不同子区域中物质类型对应的浓度时序序列对各类物质的污染源进行溯源,并将污染源所在子区域进行标记,根据物质类型设置污染源所在子区域的标签;
基于所述浓度时序序列提取预设时间间隔的浓度变化量,为带标签子区域及不带标签子区域设置不同的变化阈值;
判断子区域是否带有标签,根据判断结果读取变化阈值,当所述浓度变化量大于所述阈值时,若子区域不带标签,则获取子区域的环境特征及气候特征,作为子区域的污染影响特征,若子区域带标签,则获取子区域的环境特征、气候特征及污染源运行特征,作为子区域的污染影响特征;
同时,在不同子区域中,获取子区域对应预设时间间隔的浓度变化量的平均值,将浓度变化量均值作为子区域预设时间内的污染变化基准值。
本方案中,根据所述污染程度生成污染预警,具体为:
基于预设区域中地下水NAPL类物质当前的空间分布获取不同子区域当前物质类型及当前浓度信息,与上一时间步对应的历史物质类型及浓度信息进行对比;
当子区域中地下水NAPL类物质类型发生变化或者浓度变化大于所述污染变化基准值时,则生成子区域中的预警信息,将所述预警信息结合所述空间分布进行可视化显示;
根据子区域是否带标签获取子区域未来预设时间内的环境特征及气候特征或者环境特征、气候特征及污染源运行特征,将获取的特征与子区域的污染影响特征利用曼哈顿距离进行相似度计算;
当所述曼哈顿距离小于等于预设距离阈值时,则证明相似度符合预设要求,生成子区域的污染预警,基于所述污染预警利用大数据手段获取子区域中地下水NAPL类物质的污染应急措施。
本发明第二方面还提供了一种基于图像学习的地下水NAPL污染程度判定***,该***包括:存储器、处理器,所述存储器中包括基于图像学习的地下水NAPL污染程度判定方法程序,所述基于图像学习的地下水NAPL污染程度判定方法程序被所述处理器执行时实现如下步骤:
获取预设区域内地下水监测井中的水体图像信息,对所述水体图像信息进行预处理,提取水体图像信息的图像特征;
根据预设时间内的地下水监测井的监测数据获取地下水中NAPL类物质的物质类型及浓度信息;
将所述图像特征与所述物质类型及浓度信息进行匹配,构建特征数据集,利用特征数据集结合当地水文地质信息构建地下水NAPL污染的数据信息库;
基于深度学习构建地下水NAPL污染程度判定模型,利用数据信息库中的数据进行训练,判断地下水NAPL的污染程度,根据所述污染程度生成污染预警。
本发明公开了一种基于图像学***的关联,实现NAPL的污染程度的快速判定,为预设区域内污染预警及污染治理提供数据支持。
附图说明
图1示出了本发明一种基于图像学习的地下水NAPL污染程度判定方法的流程图;
图2示出了本发明构建地下水NAPL污染程度判定模型的方法流程图;
图3示出了本发明根据污染程度生成污染预警的方法流程图;
图4示出了本发明一种基于图像学习的地下水NAPL污染程度判定***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图像学习的地下水NAPL污染程度判定方法的流程图。
如图1所示,本发明第一方面提供了一种基于图像学习的地下水NAPL污染程度判定方法,包括:
S102,获取预设区域内地下水监测井中的水体图像信息,对所述水体图像信息进行预处理,提取水体图像信息的图像特征;
S104,根据预设时间内的地下水监测井的监测数据获取地下水中NAPL类物质的物质类型及浓度信息;
S106,将所述图像特征与所述物质类型及浓度信息进行匹配,构建特征数据集,利用特征数据集结合当地水文地质信息构建地下水NAPL污染的数据信息库;
S108,基于深度学习构建地下水NAPL污染程度判定模型,利用数据信息库中的数据进行训练,判断地下水NAPL的污染程度,根据所述污染程度生成污染预警。
需要说明的是,通过地下水监测井中预设图像传感器装置根据预设时间间隔获取水体图像信息,将所述水体图像信息进行滤波去噪及图像增强,优选的,通过生成对抗网络对水体图像信息进行图像增强,在生成对抗网络中,将原始水体图像信息图像输入生成器,经过一系列操作输出增强后图像,输出图像与参考图像之间的差异,并对生成器的参数进行调整,将结果反馈给生成器,使生成器不断改善,相应的鉴别器也进一步调整判别能力,最终达到平衡,通过生成对抗网络对水体图像信息进行图像增强。
通过将滤波去噪及图像增强划分为若干图像块;计算图像块的信息熵,通过信息熵表征图像中的特征丰度,根据所述信息熵进行判断生成水体图像信息的掩膜图像,并利用掩膜图像进行图像分割,获取预处理后的水体图像信息;将预处理后的水体图像信息导入CSPNET网络进行特征表征,获取特征图;所述CSPNET网络能够获取更丰富强大的特征表征同时减少计算量,引入空洞特征金字塔模块,采用不同大小空洞率的空洞卷积进行多尺度特征提取,获取多尺度特征图,引入空洞卷积能够在不增加计算量的情况下,可有效的增大感受野以包含更多的上下文信息;将所述多尺度特征图通过平均池化转化为通道描述,,MN表示特征图的大小信息,/>表示第c个通道/>在点/>的取值,通过两个卷积层及sigmoid和Relu函数获取多尺度特征图的通道注意力权重q,,/>表示卷积计算,利用所述通道注意力权重与多尺度特征图进行相乘获取注意力图;通过所述注意力图与所述特征图按元素相乘获取水体图像信息的图像特征。
图2示出了本发明构建地下水NAPL污染程度判定模型的方法流程图。
根据本发明实施例,基于深度学习构建地下水NAPL污染程度判定模型,利用数据信息库中的数据进行训练,具体为:
S202,基于深度学习方法构建地下水NAPL污染程度判定模型,提取信息数据库中的特征数据集;
S204,通过大数据手段在预设检索空间中获取NAPL污染对应各物质类型的污染程度判定标准,选取检测数据中出现频次最高的判定标准构建各物质类型的污染程度判定体系;
S206,根据各物质类型的污染程度判定体系及地下水监测井的监测数据对应特征数据集中的数据进行污染程度判定,为对应的图像特征设置污染程度的数据标注;
S208,利用数据标注后的特征数据集对地下水NAPL污染程度判定模型进行训练,当训练次数满足预设次数要求时,输出训练后地下水NAPL污染程度判定模型;
S210,将各地下水监测井的当前水体图像信息的图像特征及预设区域的地理水文信息作为地下水NAPL污染程度判定模型的输入,识别各地下水监测井的图像特征对应的物质种类和浓度信息;
S212,获取预设区域地下水NAPL类物质当前的空间分布,并获取预设区域各区域地下水NAPL类污染的污染程度。
需要说明的是,所述深度学习方法包括BP神经网络或者支持向量机等,所述预设检索空间包括相关文献数据库及专家经验库等。读取预设区域内地下水监测井的历史监测数据,根据历史监测数据判断地下水监测井的有效性,将无效的地下水监测井进行剔除;获取预设时间内有效的地下水监测井的监测数据,将所述监测数据进行数据清洗,获取地下水中NAPL类物质的物质类型及浓度信息,将图像特征与NAPL污染的物质类型浓度信息交汇,构建特征数据集;获取预设区域中对应的地下水流向、流速,地表水-地下水交互频率,地层结构信息构建水文地质数据集,与特征数据集进行结合;建立地下水库NAPL污染的信息数据库,将结合后的特征数据进行结构化处理存入所述信息数据库中,通过所述信息数据库进行预设区域地下水NAPL污染的数据管理,并通过不断更新的数据集对地下水NAPL污染程度判定模型的更新优化。
需要说明的是,对特征数据集中的图像特征根据物质类别进行聚类,在同一物质类别下获取图像特征在特征空间中的散点分布;对于同一物质类别下的图像特征进行统计分析获取出现次数最高的图像特征,根据所述图像特征进行相似度计算获取符合预设相似度标准的预设数量的图像特征,构建图像特征集;获取图像特征集中的图像特征在所述散点分布的对应位置,根据所述对应位置获取物质类别的图像特征的簇类中心点;通过散点分布中其他点到簇类中心点的平均距离获取物质类别对应的距离阈值,将当前水体图像信息中各图像块的图像特征到某种物质类别图像特征簇类中心点的之间的距离与该物质类别对应的距离阈值进行比较,若小于,则判定水体中含有该物质类别的NAPL类污染物。
图3示出了本发明根据污染程度生成污染预警的方法流程图。
根据本发明实施例,根据所述污染程度生成污染预警,具体为:
S302,基于预设区域中地下水NAPL类物质当前的空间分布获取不同子区域当前物质类型及当前浓度信息,与上一时间步对应的历史物质类型及浓度信息进行对比;
S304,当子区域中地下水NAPL类物质类型发生变化或者浓度变化大于所述污染变化基准值时,则生成子区域中的预警信息,将所述预警信息结合所述空间分布进行可视化显示;
S306,根据子区域是否带标签获取子区域未来预设时间内的环境特征及气候特征或者环境特征、气候特征及污染源运行特征,将获取的特征与子区域的污染影响特征利用曼哈顿距离进行相似度计算;
S308,当所述曼哈顿距离小于等于预设距离阈值时,则证明相似度符合预设要求,生成子区域的污染预警,基于所述污染预警利用大数据手段获取子区域中地下水NAPL类物质的污染应急措施。
需要说明的是,将预设区域根据地下水监测井的分布划分为若干子区域,获取子区域中预设时间内地下水NAPL类物质的物质类型及历史浓度信息,并根据所述历史浓度信息生成物质类型对应的浓度时序序列;根据不同子区域中物质类型对应的浓度时序序列对各类物质的污染源进行溯源,并将污染源所在子区域进行标记,根据物质类型设置污染源所在子区域的标签;基于所述浓度时序序列提取预设时间间隔的浓度变化量,为带标签子区域及不带标签子区域设置不同的变化阈值;判断子区域是否带有标签,根据判断结果读取变化阈值,当所述浓度变化量大于所述阈值时,若子区域不带标签,则获取子区域的环境特征及气候特征,作为子区域的污染影响特征,若子区域带标签,则获取子区域的环境特征、气候特征及污染源运行特征,作为子区域的污染影响特征,所述污染源运行特征包括工厂的生产计划及生产数量等;同时,在不同子区域中,获取子区域对应预设时间间隔的浓度变化量的平均值,将浓度变化量均值作为子区域预设时间内的污染变化基准值。
图4示出了本发明一种基于图像学习的地下水NAPL污染程度判定***的框图。
本发明第二方面还提供了一种基于图像学习的地下水NAPL污染程度判定***4,该***包括:存储器41、处理器42,所述存储器中包括基于图像学习的地下水NAPL污染程度判定方法程序,所述基于图像学习的地下水NAPL污染程度判定方法程序被所述处理器执行时实现如下步骤:
获取预设区域内地下水监测井中的水体图像信息,对所述水体图像信息进行预处理,提取水体图像信息的图像特征;
根据预设时间内的地下水监测井的监测数据获取地下水中NAPL类物质的物质类型及浓度信息;
将所述图像特征与所述物质类型及浓度信息进行匹配,构建特征数据集,利用特征数据集结合当地水文地质信息构建地下水NAPL污染的数据信息库;
基于深度学习构建地下水NAPL污染程度判定模型,利用数据信息库中的数据进行训练,判断地下水NAPL的污染程度,根据所述污染程度生成污染预警。
需要说明的是,通过地下水监测井中预设图像传感器装置根据预设时间间隔获取水体图像信息,将所述水体图像信息进行滤波去噪及图像增强,优选的,通过生成对抗网络对水体图像信息进行图像增强,在生成对抗网络中,将原始水体图像信息图像输入生成器,经过一系列操作输出增强后图像,输出图像与参考图像之间的差异,并对生成器的参数进行调整,将结果反馈给生成器,使生成器不断改善,相应的鉴别器也进一步调整判别能力,最终达到平衡,通过生成对抗网络对水体图像信息进行图像增强。
通过将滤波去噪及图像增强划分为若干图像块;计算图像块的信息熵,通过信息熵表征图像中的特征丰度,根据所述信息熵进行判断生成水体图像信息的掩膜图像,并利用掩膜图像进行图像分割,获取预处理后的水体图像信息;将预处理后的水体图像信息导入CSPNET网络进行特征表征,获取特征图;所述CSPNET网络能够获取更丰富强大的特征表征同时减少计算量,引入空洞特征金字塔模块,采用不同大小空洞率的空洞卷积进行多尺度特征提取,获取多尺度特征图,引入空洞卷积能够在不增加计算量的情况下,可有效的增大感受野以包含更多的上下文信息;将所述多尺度特征图通过平均池化转化为通道描述,,MN表示特征图的大小信息,/>表示第c个通道/>在点/>的取值,通过两个卷积层及sigmoid和Relu函数获取多尺度特征图的通道注意力权重q,,/>表示卷积计算,利用所述通道注意力权重与多尺度特征图进行相乘获取注意力图;通过所述注意力图与所述特征图按元素相乘获取水体图像信息的图像特征。
根据本发明实施例,基于深度学习构建地下水NAPL污染程度判定模型,利用数据信息库中的数据进行训练,具体为:
基于深度学习方法构建地下水NAPL污染程度判定模型,提取信息数据库中的特征数据集;
通过大数据手段在预设检索空间中获取NAPL污染对应各物质类型的污染程度判定标准,选取检测数据中出现频次最高的判定标准构建各物质类型的污染程度判定体系;
根据各物质类型的污染程度判定体系及地下水监测井的监测数据对应特征数据集中的数据进行污染程度判定,为对应的图像特征设置污染程度的数据标注;
利用数据标注后的特征数据集对地下水NAPL污染程度判定模型进行训练,当训练次数满足预设次数要求时,输出训练后地下水NAPL污染程度判定模型;
将各地下水监测井的当前水体图像信息的图像特征及预设区域的地理水文信息作为地下水NAPL污染程度判定模型的输入,识别各地下水监测井的图像特征对应的物质种类和浓度信息;
获取预设区域地下水NAPL类物质当前的空间分布,并获取预设区域各区域地下水NAPL类污染的污染程度。
需要说明的是,读取预设区域内地下水监测井的历史监测数据,根据历史监测数据判断地下水监测井的有效性,将无效的地下水监测井进行剔除;获取预设时间内有效的地下水监测井的监测数据,将所述监测数据进行数据清洗,获取地下水中NAPL类物质的物质类型及浓度信息,将图像特征与NAPL污染的物质类型浓度信息交汇,构建特征数据集;获取预设区域中对应的地下水流向、流速,地表水-地下水交互频率,地层结构信息构建水文地质数据集,与特征数据集进行结合;建立地下水库NAPL污染的信息数据库,将结合后的特征数据进行结构化处理存入所述信息数据库中,通过所述信息数据库进行预设区域地下水NAPL污染的数据管理,并通过不断更新的数据集对地下水NAPL污染程度判定模型的更新优化。
根据本发明实施例,根据所述污染程度生成污染预警,具体为:
基于预设区域中地下水NAPL类物质当前的空间分布获取不同子区域当前物质类型及当前浓度信息,与上一时间步对应的历史物质类型及浓度信息进行对比;
当子区域中地下水NAPL类物质类型发生变化或者浓度变化大于所述污染变化基准值时,则生成子区域中的预警信息,将所述预警信息结合所述空间分布进行可视化显示;
根据子区域是否带标签获取子区域未来预设时间内的环境特征及气候特征或者环境特征、气候特征及污染源运行特征,将获取的特征与子区域的污染影响特征利用曼哈顿距离进行相似度计算;
当所述曼哈顿距离小于等于预设距离阈值时,则证明相似度符合预设要求,生成子区域的污染预警,基于所述污染预警利用大数据手段获取子区域中地下水NAPL类物质的污染应急措施。
需要说明的是,将预设区域根据地下水监测井的分布划分为若干子区域,获取子区域中预设时间内地下水NAPL类物质的物质类型及历史浓度信息,并根据所述历史浓度信息生成物质类型对应的浓度时序序列;根据不同子区域中物质类型对应的浓度时序序列对各类物质的污染源进行溯源,并将污染源所在子区域进行标记,根据物质类型设置污染源所在子区域的标签;基于所述浓度时序序列提取预设时间间隔的浓度变化量,为带标签子区域及不带标签子区域设置不同的变化阈值;判断子区域是否带有标签,根据判断结果读取变化阈值,当所述浓度变化量大于所述阈值时,若子区域不带标签,则获取子区域的环境特征及气候特征,作为子区域的污染影响特征,若子区域带标签,则获取子区域的环境特征、气候特征及污染源运行特征,作为子区域的污染影响特征,所述污染源运行特征包括工厂的生产计划及生产数量等;同时,在不同子区域中,获取子区域对应预设时间间隔的浓度变化量的平均值,将浓度变化量均值作为子区域预设时间内的污染变化基准值。
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基于图像学习的地下水NAPL污染程度判定方法程序,所述一种基于图像学习的地下水NAPL污染程度判定方法程序被处理器执行时,实现如上述任一项所述的基于图像学习的地下水NAPL污染程度判定方法的步骤。
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 (8)
1.一种基于图像学习的地下水NAPL污染程度判定方法,其特征在于,包括以下步骤:
获取预设区域内地下水监测井中的水体图像信息,对所述水体图像信息进行预处理,提取水体图像信息的图像特征;
根据预设时间内的地下水监测井的监测数据获取地下水中NAPL类物质的物质类型及浓度信息;
将所述图像特征与所述物质类型及浓度信息进行匹配,构建特征数据集,利用特征数据集结合当地水文地质信息构建地下水NAPL污染的数据信息库;
基于深度学习构建地下水NAPL污染程度判定模型,利用数据信息库中的数据进行训练,判断地下水NAPL的污染程度,根据所述污染程度生成污染预警;
提取水体图像信息的图像特征,具体为:
通过地下水监测井中预设图像传感器装置根据预设时间间隔获取水体图像信息,将所述水体图像信息进行滤波去噪及图像增强,将滤波去噪及图像增强划分为若干图像块;
计算图像块的信息熵,根据所述信息熵进行判断生成水体图像信息的掩膜图像,并利用掩膜图像进行图像分割,获取预处理后的水体图像信息;
将预处理后的水体图像信息导入CSPNET网络进行特征表征,获取特征图,引入空洞特征金字塔模块,采用不同大小空洞率的空洞卷积进行多尺度特征提取,获取多尺度特征图;
将所述多尺度特征图通过平均池化转化为通道描述,通过两个卷积层及sigmoid和Relu函数获取多尺度特征图的通道注意力权重,利用所述通道注意力权重与多尺度特征图进行相乘获取注意力图;
通过所述注意力图与所述特征图按元素相乘获取水体图像信息的图像特征。
2.根据权利要求1所述的一种基于图像学习的地下水NAPL污染程度判定方法,其特征在于,利用特征数据集结合当地水文地质信息构建NAPL污染地下水的数据信息库,具体为:
读取预设区域内地下水监测井的历史监测数据,根据历史监测数据判断地下水监测井的有效性,将无效的地下水监测井进行剔除;
获取预设时间内有效的地下水监测井的监测数据,将所述监测数据进行数据清洗,获取地下水中NAPL类物质的物质类型及浓度信息,将图像特征与NAPL污染的物质类型浓度信息交汇,构建特征数据集;
获取预设区域中对应的地下水流向、流速,地表水-地下水交互频率,地层结构信息构建水文地质数据集,与特征数据集进行结合;
建立地下水库NAPL污染的信息数据库,将结合后的特征数据进行结构化处理存入所述信息数据库中,通过所述信息数据库进行预设区域地下水NAPL污染的数据管理及地下水NAPL污染程度判定模型的更新优化。
3.根据权利要求1所述的一种基于图像学习的地下水NAPL污染程度判定方法,其特征在于,基于深度学习构建地下水NAPL污染程度判定模型,利用数据信息库中的数据进行训练,具体为:
基于深度学习方法构建地下水NAPL污染程度判定模型,提取信息数据库中的特征数据集;
通过大数据手段在预设检索空间中获取NAPL污染对应各物质类型的污染程度判定标准,选取检测数据中出现频次最高的判定标准构建各物质类型的污染程度判定体系;
根据各物质类型的污染程度判定体系及地下水监测井的监测数据对应特征数据集中的数据进行污染程度判定,为对应的图像特征设置污染程度的数据标注;
利用数据标注后的特征数据集对地下水NAPL污染程度判定模型进行训练,当训练次数满足预设次数要求时,输出训练后地下水NAPL污染程度判定模型;
将各地下水监测井的当前水体图像信息的图像特征及预设区域的地理水文信息作为地下水NAPL污染程度判定模型的输入,识别各地下水监测井的图像特征对应的物质种类和浓度信息;
获取预设区域地下水NAPL类物质当前的空间分布,并获取预设区域各区域地下水NAPL类污染的污染程度。
4.根据权利要求1所述的一种基于图像学习的地下水NAPL污染程度判定方法,其特征在于,根据所述污染程度生成污染预警,之前包括:
将预设区域根据地下水监测井的分布划分为若干子区域,获取子区域中预设时间内地下水NAPL类物质的物质类型及历史浓度信息,并根据所述历史浓度信息生成物质类型对应的浓度时序序列;
根据不同子区域中物质类型对应的浓度时序序列对各类物质的污染源进行溯源,并将污染源所在子区域进行标记,根据物质类型设置污染源所在子区域的标签;
基于所述浓度时序序列提取预设时间间隔的浓度变化量,为带标签子区域及不带标签子区域设置不同的变化阈值;
判断子区域是否带有标签,根据判断结果读取变化阈值,当所述浓度变化量大于所述阈值时,若子区域不带标签,则获取子区域的环境特征及气候特征,作为子区域的污染影响特征,若子区域带标签,则获取子区域的环境特征、气候特征及污染源运行特征,作为子区域的污染影响特征;
同时,在不同子区域中,获取子区域对应预设时间间隔的浓度变化量的平均值,将浓度变化量均值作为子区域预设时间内的污染变化基准值。
5.根据权利要求4所述的一种基于图像学习的地下水NAPL污染程度判定方法,其特征在于,根据所述污染程度生成污染预警,具体为:
基于预设区域中地下水NAPL类物质当前的空间分布获取不同子区域当前物质类型及当前浓度信息,与上一时间步对应的历史物质类型及浓度信息进行对比;
当子区域中地下水NAPL类物质类型发生变化或者浓度变化大于所述污染变化基准值时,则生成子区域中的预警信息,将所述预警信息结合所述空间分布进行可视化显示;
根据子区域是否带标签获取子区域未来预设时间内的环境特征及气候特征或者环境特征、气候特征及污染源运行特征,将获取的特征与子区域的污染影响特征利用曼哈顿距离进行相似度计算;
当所述曼哈顿距离小于等于预设距离阈值时,则证明相似度符合预设要求,生成子区域的污染预警,基于所述污染预警利用大数据手段获取子区域中地下水NAPL类物质的污染应急措施。
6.一种基于图像学习的地下水NAPL污染程度判定***,其特征在于,该***包括:存储器、处理器,所述存储器中包括基于图像学习的地下水NAPL污染程度判定方法程序,所述基于图像学习的地下水NAPL污染程度判定方法程序被所述处理器执行时实现如下步骤:
获取预设区域内地下水监测井中的水体图像信息,对所述水体图像信息进行预处理,提取水体图像信息的图像特征;
根据预设时间内的地下水监测井的监测数据获取地下水中NAPL类物质的物质类型及浓度信息;
将所述图像特征与所述物质类型及浓度信息进行匹配,构建特征数据集,利用特征数据集结合当地水文地质信息构建地下水NAPL污染的数据信息库;
基于深度学习构建地下水NAPL污染程度判定模型,利用数据信息库中的数据进行训练,判断地下水NAPL的污染程度,根据所述污染程度生成污染预警;
提取水体图像信息的图像特征,具体为:
通过地下水监测井中预设图像传感器装置根据预设时间间隔获取水体图像信息,将所述水体图像信息进行滤波去噪及图像增强,将滤波去噪及图像增强划分为若干图像块;
计算图像块的信息熵,根据所述信息熵进行判断生成水体图像信息的掩膜图像,并利用掩膜图像进行图像分割,获取预处理后的水体图像信息;
将预处理后的水体图像信息导入CSPNET网络进行特征表征,获取特征图,引入空洞特征金字塔模块,采用不同大小空洞率的空洞卷积进行多尺度特征提取,获取多尺度特征图;
将所述多尺度特征图通过平均池化转化为通道描述,通过两个卷积层及sigmoid和Relu函数获取多尺度特征图的通道注意力权重,利用所述通道注意力权重与多尺度特征图进行相乘获取注意力图;
通过所述注意力图与所述特征图按元素相乘获取水体图像信息的图像特征。
7.根据权利要求6所述的一种基于图像学习的地下水NAPL污染程度判定***,其特征在于,利用特征数据集结合当地水文地质信息构建NAPL污染地下水的数据信息库,具体为:
读取预设区域内地下水监测井的历史监测数据,根据历史监测数据判断地下水监测井的有效性,将无效的地下水监测井进行剔除;
获取预设时间内有效的地下水监测井的监测数据,将所述监测数据进行数据清洗,获取地下水中NAPL类物质的物质类型及浓度信息,将图像特征与NAPL污染的物质类型浓度信息交汇,构建特征数据集;
获取预设区域中对应的地下水流向、流速,地表水-地下水交互频率,地层结构信息构建水文地质数据集,与特征数据集进行结合;
建立地下水库NAPL污染的信息数据库,将结合后的特征数据进行结构化处理存入所述信息数据库中,通过所述信息数据库进行预设区域地下水NAPL污染的数据管理及地下水NAPL污染程度判定模型的更新优化。
8.根据权利要求6所述的一种基于图像学习的地下水NAPL污染程度判定***,其特征在于,基于深度学习构建地下水NAPL污染程度判定模型,利用数据信息库中的数据进行训练,具体为:
基于深度学习方法构建地下水NAPL污染程度判定模型,提取信息数据库中的特征数据集;
通过大数据手段在预设检索空间中获取NAPL污染对应各物质类型的污染程度判定标准,选取检测数据中出现频次最高的判定标准构建各物质类型的污染程度判定体系;
根据各物质类型的污染程度判定体系及地下水监测井的监测数据对应特征数据集中的数据进行污染程度判定,为对应的图像特征设置污染程度的数据标注;
利用数据标注后的特征数据集对地下水NAPL污染程度判定模型进行训练,当训练次数满足预设次数要求时,输出训练后地下水NAPL污染程度判定模型;
将各地下水监测井的当前水体图像信息的图像特征及预设区域的地理水文信息作为地下水NAPL污染程度判定模型的输入,识别各地下水监测井的图像特征对应的物质种类和浓度信息;
获取预设区域地下水NAPL类物质当前的空间分布,并获取预设区域各区域地下水NAPL类污染的污染程度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310645177.6A CN116403092B (zh) | 2023-06-02 | 2023-06-02 | 一种基于图像学习的地下水napl污染程度判定方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310645177.6A CN116403092B (zh) | 2023-06-02 | 2023-06-02 | 一种基于图像学习的地下水napl污染程度判定方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116403092A CN116403092A (zh) | 2023-07-07 |
CN116403092B true CN116403092B (zh) | 2023-08-18 |
Family
ID=87012609
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310645177.6A Active CN116403092B (zh) | 2023-06-02 | 2023-06-02 | 一种基于图像学习的地下水napl污染程度判定方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116403092B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116824513B (zh) * | 2023-08-29 | 2024-03-08 | 北京建工环境修复股份有限公司 | 基于深度学习的钻探过程自动识别监管方法及*** |
CN117172430B (zh) * | 2023-11-02 | 2024-02-02 | 北京建工环境修复股份有限公司 | 一种基于深度学习的水体环境评估与预测方法及*** |
CN117684953B (zh) * | 2023-12-11 | 2024-05-24 | 江苏省环境科学研究院 | 一种地下水非水相液体污染物可视化检测设备及检测方法 |
CN118090977B (zh) * | 2024-03-14 | 2024-06-28 | 江苏省连云港环境监测中心 | 一种基于无线传感网络的水质监测*** |
CN117911878B (zh) * | 2024-03-20 | 2024-06-07 | 江西三思检测技术有限公司 | 用于智慧环保管家的污染物预警方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0627014A (ja) * | 1992-07-07 | 1994-02-04 | Hitachi Ltd | 水質汚染監視装置及びその方法 |
CN112149353A (zh) * | 2020-09-24 | 2020-12-29 | 南京大学 | 基于卷积神经网络识别dnapl污染物在地下含水层分布的方法 |
WO2021051609A1 (zh) * | 2019-09-20 | 2021-03-25 | 平安科技(深圳)有限公司 | 细颗粒物污染等级的预测方法、装置及计算机设备 |
CN114386329A (zh) * | 2022-01-11 | 2022-04-22 | 南京大学 | 一种不确定性条件下dnapl污染场地修复的多目标优化方法 |
CN115586140A (zh) * | 2022-09-15 | 2023-01-10 | 湖北省水利水电规划勘测设计院 | 一种基于遥感数据的湖泊污染物检测方法、***及其存储介质 |
CN115690385A (zh) * | 2022-09-07 | 2023-02-03 | 北京海舶无人船科技有限公司 | 一种基于多光谱图像的水质预测方法、***、设备及介质 |
CN116109462A (zh) * | 2023-04-11 | 2023-05-12 | 乐百氏(广东)饮用水有限公司 | 一种自然灾害后饮水水源地污染监测预警方法及*** |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11631022B2 (en) * | 2018-03-29 | 2023-04-18 | Daybreak, Llc | Forecasting soil and groundwater contamination migration |
CN114119582B (zh) * | 2021-12-01 | 2024-04-26 | 安徽大学 | 一种合成孔径雷达图像目标检测方法 |
-
2023
- 2023-06-02 CN CN202310645177.6A patent/CN116403092B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0627014A (ja) * | 1992-07-07 | 1994-02-04 | Hitachi Ltd | 水質汚染監視装置及びその方法 |
WO2021051609A1 (zh) * | 2019-09-20 | 2021-03-25 | 平安科技(深圳)有限公司 | 细颗粒物污染等级的预测方法、装置及计算机设备 |
CN112149353A (zh) * | 2020-09-24 | 2020-12-29 | 南京大学 | 基于卷积神经网络识别dnapl污染物在地下含水层分布的方法 |
CN114386329A (zh) * | 2022-01-11 | 2022-04-22 | 南京大学 | 一种不确定性条件下dnapl污染场地修复的多目标优化方法 |
CN115690385A (zh) * | 2022-09-07 | 2023-02-03 | 北京海舶无人船科技有限公司 | 一种基于多光谱图像的水质预测方法、***、设备及介质 |
CN115586140A (zh) * | 2022-09-15 | 2023-01-10 | 湖北省水利水电规划勘测设计院 | 一种基于遥感数据的湖泊污染物检测方法、***及其存储介质 |
CN116109462A (zh) * | 2023-04-11 | 2023-05-12 | 乐百氏(广东)饮用水有限公司 | 一种自然灾害后饮水水源地污染监测预警方法及*** |
Non-Patent Citations (1)
Title |
---|
测绘技术在地下水污染地理范围测量中的应用研究;唐涛;环境科学与管理(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116403092A (zh) | 2023-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116403092B (zh) | 一种基于图像学习的地下水napl污染程度判定方法及*** | |
CN116385689B (zh) | 一种场地污染数据的可视化信息管理方法、***及介质 | |
Zwoliński et al. | Methods for assessing geodiversity | |
Rodriguez-Galiano et al. | Predictive modeling of groundwater nitrate pollution using Random Forest and multisource variables related to intrinsic and specific vulnerability: A case study in an agricultural setting (Southern Spain) | |
CN116186566B (zh) | 基于深度学习的扩散预测方法及*** | |
Vasu et al. | A new approach to temporal modelling for landslide hazard assessment using an extreme rainfall induced-landslide index | |
Hossain et al. | Groundwater arsenic contamination risk prediction using GIS and classification tree method | |
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 | |
Yang et al. | An integrated simulation-assessment approach for evaluating health risks of groundwater contamination under multiple uncertainties | |
CN116362572B (zh) | 一种在产园区地下水污染分区分级评价方法 | |
CN116824513B (zh) | 基于深度学习的钻探过程自动识别监管方法及*** | |
Hamutoko et al. | Estimation of groundwater vulnerability to pollution based on DRASTIC in the Niipele sub-basin of the Cuvelai Etosha Basin, Namibia | |
Pradhan et al. | Landslide detection using a saliency feature enhancement technique from LiDAR-derived DEM and orthophotos | |
Nascimento et al. | Modeling the environmental susceptibility of landfill sites in California | |
CN114184750A (zh) | 地下水污染物的监控方法、装置、设备及存储介质 | |
Shi et al. | Digital mapping of heavy metals in urban soils: A review and research challenges | |
Davoudi Moghaddam et al. | Introducing the coupled stepwise areal constraining and Mahalanobis distance: a promising MCDM-based probabilistic model for landfill site selection | |
Li et al. | Automatic detection of actual water depth of urban floods from social media images | |
Bhowmick et al. | A review on GIS based Fuzzy and Boolean logic modelling approach to identify the suitable sites for Artificial Recharge of Groundwater | |
He et al. | Quasi-Monte Carlo based global uncertainty and sensitivity analysis in modeling free product migration and recovery from petroleum-contaminated aquifers | |
Maddison et al. | Percolation analysis–archaeological applications at widely different spatial scales | |
Sharma et al. | Application of geographic information system and remote sensing in heavy metal assessment | |
Thanh et al. | Determination of conditioning factors for mapping nickel contamination susceptibility in groundwater in Kanchanaburi Province, Thailand, using random forest and maximum entropy | |
Atashi Yazdi et al. | Reciprocal analysis of groundwater potentiality and vulnerability modeling in the Bahabad Plain, Iran | |
Yusefzadeh et al. | Estimation hydraulic conductivity via intelligent models using geophysical data |
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 |