CN117422195A - 水质评估方法、装置、计算机设备和存储介质 - Google Patents
水质评估方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN117422195A CN117422195A CN202311290830.8A CN202311290830A CN117422195A CN 117422195 A CN117422195 A CN 117422195A CN 202311290830 A CN202311290830 A CN 202311290830A CN 117422195 A CN117422195 A CN 117422195A
- Authority
- CN
- China
- Prior art keywords
- water
- water quality
- water area
- target
- area data
- 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.)
- Pending
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 766
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 40
- 238000003911 water pollution Methods 0.000 claims abstract description 99
- 238000009792 diffusion process Methods 0.000 claims abstract description 80
- 238000013210 evaluation model Methods 0.000 claims abstract description 62
- 238000001303 quality assessment method Methods 0.000 claims abstract description 41
- 238000012795 verification Methods 0.000 claims abstract description 34
- 238000004590 computer program Methods 0.000 claims abstract description 28
- 238000012417 linear regression Methods 0.000 claims description 35
- 230000008859 change Effects 0.000 claims description 31
- 238000005259 measurement Methods 0.000 claims description 30
- 238000012545 processing Methods 0.000 claims description 25
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 230000005484 gravity Effects 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 11
- 230000010354 integration Effects 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 3
- 235000019580 granularity Nutrition 0.000 description 41
- 238000011156 evaluation Methods 0.000 description 28
- 238000012544 monitoring process Methods 0.000 description 19
- 238000004364 calculation method Methods 0.000 description 16
- 238000007726 management method Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 238000003908 quality control method Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000001186 cumulative effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 239000003643 water by type Substances 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000012163 sequencing technique Methods 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010790 dilution Methods 0.000 description 1
- 239000012895 dilution Substances 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000005067 remediation Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- 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
- G06Q50/06—Energy or water supply
-
- 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)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Water Supply & Treatment (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种水质评估方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括:获取目标水域的水域数据集;基于水域数据集,在预先构建的多维模型库中确定目标水污染扩散评估模型;基于目标水污染扩散评估模型和水域数据集,确定水域数据集中各水质影响因素指标的权重数据,并基于预设的熵权法对各权重数据进行校验,得到校验后的权重数据;基于校验后的权重数据以及水域数据集,确定未来时段内目标水域的水质评估结果。采用本方法能够提高水质评估结果的准确性和时效性。
Description
技术领域
本申请涉及水质检测技术领域,特别是涉及一种水质评估方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
水污染防治一直是国家重点关注的领域,尽管如此,当前的水污染形势仍然十分严峻,部分地区水质出现持续恶化的情况。因此,需要定期对水质进行检测和评估,以期对水质污染问题进行改善。
目前的水质评估方法,通常是从水环境管理***中获取水质数据,并以预设的污染防治目标为评估标准,对获取到的水质数据与污染防治目标进行比较判断,从而,确定水质评估结果。
然而,以目前的水质评估方法进行水质评估,水环境管理***中获取的水质数据时效性较差,且目前的水质评估方法得到水质评估结果相较于水质污染事件的发生往往存在滞后性,进而,导致水质评估结果的准确度和时效性较低。
发明内容
基于此,有必要针对上述技术问题,提供一种水质评估方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种水质评估方法,包括:
获取目标水域的水域数据集;
基于所述水域数据集,在预先构建的多维模型库中确定目标水污染扩散评估模型;
基于所述目标水污染扩散评估模型和所述水域数据集,确定所述水域数据集中各水质影响因素指标的权重数据,并基于预设的熵权法对各所述权重数据进行校验,得到校验后的权重数据;
基于所述校验后的权重数据以及所述水域数据集,确定未来时段内所述目标水域的水质评估结果。
上述水质评估方法中,在预先构建的多维模型库中确定目标水污染扩散评估模型,适配当前目标水域的水环境场景,通过该目标水污染扩散评估模型对监测的目标水域的水域数据集进行权重数据计算,得到水域数据集中各水质影响因素指标的权重数据,并采用熵权法对权重数据进行校验,进一步提高水质评估的准确性,进而,基于校验后的权重数据以及水域数据集对未来时段目标水域的水质评估结果进行预测评估,提高水质评估结果的准确性和时效性。
在其中一个实施例中,所述获取目标水域的水域数据集,包括:
获取目标水域的原始水域数据;
对所述原始水域数据进行数据整合和缺失值筛选处理,并基于所述原始水域数据中包含的水质影响因素指标,对各所述水质影响因素指标对应的水域数据进行标准化处理,得到水域数据集。
本实施例中,不借助水环境管理平台等数据存储平台,直接采集目标水域的水域数据进行水质监测和评估,保证水域数据的时效性,并且对直接采集到的原始水域数据进行处理,保证了水域数据的质量,提高水质评估的准确性。
在其中一个实施例中,所述水域数据集中包含各水质影响因素指标以及度量指标对应的水域数据,所述基于预设的熵权法对各所述权重数据进行校验,得到校验后的权重数据,包括:
针对所述水域数据集中每一水质影响因素指标,对所述水质影响因素指标的水域数据进行归一化处理,得到归一化处理后的水域数据;
基于预设的熵权算法,确定所述水质影响因素指标中各水域数据的比重,并基于各所述水域数据的比重,确定所述水质影响因素指标的熵值;
根据各所述水质影响因素指标的熵值,确定各所述水质影响因素指标对应的校验权重;
基于所述校验权重,对各所述水质影响因素的权重数据进行校验,得到校验后的权重数据。
本实施例中,通过熵权法对水域数据集中的各水质影响因素指标的权重进行重计算,得到各水质影响因素指标的校验权重,进而,基于各校验权重对各水质影响因素指标的权重数据进行校验,提高各水质影响因素指标的权重数据的准确性,进而,提高水质评估结果的准确性。
在其中一个实施例中,所述基于所述校验后的权重数据以及所述水域数据集,确定未来时段内所述目标水域的水质评估结果之后,所述方法还包括:
获取监测水域数据集,所述监测水域数据集中包含预设时间粒度下目标区域的各水质影响因素指标对应的水域数据;
基于预设的秩和比算法和所述监测水域数据集,确定每一所述目标区域对应的秩和比以及概率单位;
基于各所述目标区域对应的秩和比以及所述概率单位进行线性回归分析,得到线性回归方程,并基于所述线性回归方程确定各所述目标区域对应的所述水质影响因素指标对应的变化趋势;
根据各所述目标区域对应的各所述水质影响因素指标对应的变化趋势,得到所述目标水域的水质治理结果。
本实施例中,在进行水质评估之后,基于秩和比算法和监测水域数据集,确定每一目标区域对应的秩和比以及概率单位,进而,可以基于目标区域对应的秩和比以及概率单位进行线性回归分析,得到线性回归方程,基于该线性回归方程可以对目标区域的水质的管理防治情况进行跟踪和评估,得到水质治理结果,从而,提高水质管理的准确性。
在其中一个实施例中,所述基于各所述目标区域对应的秩和比以及所述概率单位进行线性回归分析,得到线性回归方程之后,所述方法还包括:
基于所述线性回归方程,确定分档临界值;
基于所述分档临界值,对各所述目标区域对应的秩和比进行分档处理,确定各所述目标区域的水质治理结果的分档结果。
本实施例中,基于秩和比算法确定出的线性回归方程,进一步确定水质治理结果的分档临界值,进而,基于该分档临界值确定各目标区域水质治理结果的治理等级,实现了对水质治理结果的精细化分,提高水质管理的科学性和准确性。
在其中一个实施例中,所述基于所述水域数据集,在预先构建的多维模型库中确定目标水污染扩散评估模型之前,所述方法还包括:
获取样本水域数据集;所述样本水域数据集包含不同时间粒度下各水质影响因素指标对应的水域数据;
选取各目标维度数目的水质影响因素指标以及各所述水质影响因素指标对应的度量指标,基于各所述水质影响因素以及所述度量指标对应的水域数据,构建目标维度水污染扩散评估模型;
基于各目标维度水污染扩散评估模型,构建多维模型库。
本实施例中,基于样本水域数据集预先进行多维模型库的构建,该多维模型库中包含的各维度的水污染扩散评估模型适配多种水域的水场环境,进而,在水质评估过程中通过在多维模型库中选取出针对目标水域的目标水污染扩散评估模型进行权重数据的确定,提高了水质评估的处理效率和准确性。
在其中一个实施例中,所述基于所述水域数据集,在预先构建的多维模型库中确定目标水污染扩散评估模型,包括:
基于所述水域数据集中包含的水质影响因素指标、度量指标以及水质影响因素指标的水域数据的时间粒度,在预先构建的多维模型库中确定目标水污染扩散评估模型。
本实施例中,预先构建有多维模型库,在进行水质评估时可以基于水域数据集中反映的目标水域的水场环境特征,选取与目标水域的水场环境相匹配的目标水污染扩散评估模型,进而,通过目标水污染扩散评估模型对各水质影响因素指标的权重数据进行确定,提高了水质评估的准确率。
第二方面,本申请还提供了一种水质评估装置,包括:
获取模块,用于获取目标水域的水域数据集;
第一确定模块,用于基于所述水域数据集,在预先构建的多维模型库中确定目标水污染扩散评估模型;
校验模块,用于基于所述目标水污染扩散评估模型和所述水域数据集,确定所述水域数据集中各水质影响因素指标的权重数据,并基于预设的熵权法对各所述权重数据进行校验,得到校验后的权重数据;
第二确定模块,用于基于所述校验后的权重数据以及所述水域数据集,确定未来时段内所述目标水域的水质评估结果。
第三方面,本申请还提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取目标水域的水域数据集;
基于所述水域数据集,在预先构建的多维模型库中确定目标水污染扩散评估模型;
基于所述目标水污染扩散评估模型和所述水域数据集,确定所述水域数据集中各水质影响因素指标的权重数据,并基于预设的熵权法对各所述权重数据进行校验,得到校验后的权重数据;
基于所述校验后的权重数据以及所述水域数据集,确定未来时段内所述目标水域的水质评估结果。
第四方面,本申请还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取目标水域的水域数据集;
基于所述水域数据集,在预先构建的多维模型库中确定目标水污染扩散评估模型;
基于所述目标水污染扩散评估模型和所述水域数据集,确定所述水域数据集中各水质影响因素指标的权重数据,并基于预设的熵权法对各所述权重数据进行校验,得到校验后的权重数据;
基于所述校验后的权重数据以及所述水域数据集,确定未来时段内所述目标水域的水质评估结果。
第五方面,本申请还提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取目标水域的水域数据集;
基于所述水域数据集,在预先构建的多维模型库中确定目标水污染扩散评估模型;
基于所述目标水污染扩散评估模型和所述水域数据集,确定所述水域数据集中各水质影响因素指标的权重数据,并基于预设的熵权法对各所述权重数据进行校验,得到校验后的权重数据;
基于所述校验后的权重数据以及所述水域数据集,确定未来时段内所述目标水域的水质评估结果。
上述水质评估方法、装置、计算机设备、存储介质和计算机程序产品,获取目标水域的水域数据集;基于所述水域数据集,在预先构建的多维模型库中确定目标水污染扩散评估模型;基于所述目标水污染扩散评估模型和所述水域数据集,确定所述水域数据集中各水质影响因素指标的权重数据,并基于预设的熵权法对各所述权重数据进行校验,得到校验后的权重数据;基于所述校验后的权重数据以及所述水域数据集,确定未来时段内所述目标水域的水质评估结果。采用本方法,在预先构建的多维模型库中确定目标水污染扩散评估模型,适配当前目标水域的水环境场景,通过该目标水污染扩散评估模型对监测的目标水域的水域数据集进行权重数据计算,得到水域数据集中各水质影响因素指标的权重数据,并采用熵权法对权重数据进行校验,进一步提高水质评估的准确性,进而,基于校验后的权重数据以及水域数据集对未来时段目标水域的水质评估结果进行预测评估,提高水质评估结果的准确性和时效性。
附图说明
为了更清楚地说明本申请实施例或相关技术中的技术方案,下面将对实施例或相关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申请的一些实施例,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的附图。
图1为一个实施例中水质评估方法的流程示意图;
图2为一个实施例中获取目标水域的水域数据集步骤的流程示意图;
图3为一个实施例中水域数据集整合步骤的架构图;
图4为一个实施例中基于熵权法校验权重数据步骤的流程示意图;
图5为一个实施例中基于秩和比算法确定水质治理结果步骤的流程示意图;
图6为一个实施例中变化趋势曲线拟合图;
图7为一个实施例中确定水质治理结果的分档结果步骤的流程示意图;
图8为一个实施例中构建多维模型库步骤的流程示意图;
图9为一个实施例中一种水质评估和方法的处理流程架构图;
图10为一个实施例中水质评估装置的结构框图;
图11为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供了一种水质评估方法,本实施例以该方法应用于终端进行举例说明,可以理解的是,该方法也可以应用于服务器,还可以应用于包括终端和服务器的***,并通过终端和服务器的交互实现。本实施例中,该方法包括以下步骤102至步骤106。其中:
步骤102,获取目标水域的水域数据集。
在实施中,终端获取目标水域的水域数据集。该水域数据集为多源水域数据集,其数据源头可以来自传感器、探测器等不同类型的监测设备,本申请实施例对此不做限定,且该水域数据集已经过预处理,已经清除掉其中的缺失值等杂质数据、并对多源异构数据进行了格式统一。
步骤104,基于水域数据集,在预先构建的多维模型库中确定目标水污染扩散评估模型。
在实施中,终端基于水域数据集,在预先构建的多维模型库中确定目标水污染扩散评估模型。具体的,终端识别水域数据集中用于反映目标水域的水场环境的环境特征,进而,可以基于水域数据集中特征数据在预先构建的多维模型库中确定适配与该目标水域的水场环境的目标水污染扩散评估模型。
可选的,预先构建的多维模型库中包含一维水污染扩散评估模型、二维水污染扩散评估模型、……N维水污染扩散评估模型,并且,多维模型库中包含的模型的类型可以是回归预测模型、神经网络模型等,本申请实施例对于多维模型库中的模型的(水质影响因素指标)维度数目以及模型类型不做限定,具体多维模型库中各水污染扩散评估模型包含的水质影响因素指标可以基于水质场景环境以及业务需求确定。
步骤106,基于目标水污染扩散评估模型和水域数据集,确定水域数据集中各水质影响因素指标的权重数据,并基于预设的熵权法对各权重数据进行校验,得到校验后的权重数据。
在实施中,水域数据集中包含各水质影响因素指标以及各水质影响因素指标对应的水域数据,终端基于目标水污染扩散评估模型和水域数据集,确定水域数据集中各水质影响因素指标的权重数据。具体的,目标水污染扩散评估模型可以基于水域数据集中各水域数据的真实值以及预测值,计算水域数据集中包含的各水质影响因素指标的权重数据,然后,基于预设的熵权法对计算出的各权重数据进行校验,得到校验后的权重数据。
步骤108,基于校验后的权重数据以及水域数据集,确定未来时段内目标水域的水质评估结果。
在实施中,由于水域数据集的时间粒度特征可以但不限于为按照小时、天、星期等,终端基于校验后的权重数据以及当前的水域数据集,可以确定未来时段内目标水域的水质评估结果。具体的。终端基于校验后的权重数据以及水域数据集,对目标水域的时间粒度下的未来时段的水域数据进行预测,得到预测水域数据,进而,可以基于预测水域数据进行水质评估计算,确定未来时段目标水域的水质评估结果。
上述水质评估方法中,在预先构建的多维模型库中确定目标水污染扩散评估模型,适配当前目标水域的水环境场景,通过该目标水污染扩散评估模型对监测的目标水域的水域数据集进行权重数据计算,得到水域数据集中各水质影响因素指标的权重数据,并采用熵权法对权重数据进行校验,进一步提高水质评估的准确性,进而,基于校验后的权重数据以及水域数据集对未来时段目标水域的水质评估结果进行预测评估,提高水质评估结果的准确性和时效性。
在一个示例性的实施例中,如图2所示,步骤102包括步骤202至步骤204。
其中:
步骤202,获取目标水域的原始水域数据。
在实施中,针对各监测水域,均会设置不同监测维度、多种不同类型的水质监测设备,从而,每一监测水域均可以获取到多源异构的原始水域数据。例如,原始水域数据可以包括:水质污染相关的空间数据、水文数据、污染数据、监测数据和矢量数据等,针对待分析的目标水域,终端直接获取目标水域各现场监测设备等采集的原始水域数据,以保证水域数据的时效性。
步骤204,对原始水域数据进行数据整合和缺失值筛选处理,并基于原始水域数据中包含的水质影响因素指标,对各水质影响因素指标对应的水域数据进行标准化处理,得到水域数据集。
在实施中,终端基于业务需求预先对原始水域数据执行汇聚、处理、提取等准备工作,在准备工作完成之后,终端对原始水域数据进行水场环境的水域数据整合和缺失值筛选处理,并基于原始水域数据中包含的水质影响因素指标,对各水质影响因素指标对应的水域数据进行标准化处理,得到水域数据集。具体地,终端获取目标水域的原始水域数据,并将原始数据整合为水域数据集的过程,如图3所示,目标水域的原始水域数据的来源可以为空间监测设备(或称为空间采集设备)采集的空间数据、监测数据、水文数据、矢量数据等等,通过标准化处理、拓扑计算等数据处理方式,实现对多源异构数据进行整合,得到处理后的水域数据集,该水域数据集可以作为水质评估过程的数据支撑,以用于参与拟合值计算、多维度数据模型的应用、数据分析、数据挖掘等等。
可选的,针对原始水域数据,终端还可以进行扩散、稀释、格式转换等操作,以提高原始水域数据的数据质量,本申请实施例对于终端对水域数据的处理不做限定。
本实施例中,在不借助水环境管理平台等数据存储平台,直接采集目标水域的水域数据进行水质监测和评估,保证水域数据的时效性,并且对直接采集到的原始水域数据进行处理,保证了水域数据的质量,提高水质评估的准确性。
在一个示例性的实施例中,水域数据集中包含各水质影响因素指标以及度量指标对应的水域数据,为了保证各水质影响因素指标的权重数据的准确性,在确定出水域数据集中各水质影响因素指标对应的权重数据之后,可以基于各水质影响因素指标对应的水域数据,再基于熵权法对各水质影响因素指标的权重数据进行校验,如图4所示,步骤106包括步骤402至步骤406。其中:
步骤402,针对水域数据集中每一水质影响因素指标,对水质影响因素指标的水域数据进行归一化处理,得到归一化处理后的水域数据。
在实施中,由于水域数据集中包含的各水域数据来自多种类型的数据采集设备,且水域数据对应的水质影响因素指标不同,因此,各水域数据的格式、量纲等可能不相同,因此,针对水域数据集中每一水质影响因素指标,终端对水质影响因素指标的水域数据进行归一化处理,得到归一化处理后的水域数据。
步骤404,基于预设的熵权算法,确定水质影响因素指标中各水域数据的比重,并基于各水域数据的比重,确定水质影响因素指标的熵值。
在实施中,终端基于预设的熵权算法,确定水质影响因素指标中各水域数据的比重,然后,终端基于各水域数据的比重,确定水质影响因素指标的熵值。具体地,各水质影响因素指标对应的水域数据,可以组成水域数据的矩阵,终端针对每一水质影响因素指标,确定各水域数据相对于水质影响因素指标的比重,例如,针对第i个水质影响因素指标对应的第j个水域数据,终端计算第j个水域数据的比重Pij,具体计算公式,如下公式(1)所示:
其中,Yij为第i个水质影响因素指标对应的第j个水域数据,n表征水质影响因素指标的总数目,m表征第i个水质影响因素指标中包含的水域数据的数目。然后,终端可以基于该水质影响因素指标的各水域数据的比重,计算水质影响因素指标的熵值(也称为信息熵)。
步骤406,根据各水质影响因素指标的熵值,确定各水质影响因素指标对应的校验权重。
在实施中,终端根据各水质影响因素指标的熵值,确定各水质影响因素指标对应的校验权重。具体地,该校验权重为终端通过另一种方式重计算出的各水质影响因素指标的权重数据,以重计算出的权重数据作为校验权重,校验基于目标水污染扩散评估模型计算出的权重数据。
例如,水质影响因素指标包括:水质污染源A排放量、水质污染源N排放量,则通过熵权法对水质影响因素指标进行校验权重的计算,得到水质影响因素指标的校验权重的计算结果,如下表1所示:
表1
水质影响因素指标 | 信息熵值e | 信息效用值d | 权重(%) |
水质污染源A排放量(单位:吨) | 0.625 | 0.375 | 41.766 |
水质污染源N排放量(单位:吨) | 0.477 | 0.523 | 58.234 |
其中,信息熵值用于表征信息的不确定性度量,信息效用值用于表征信息对于决策的价值。
步骤408,基于校验权重,对各水质影响因素的权重数据进行校验,得到校验后的权重数据。
在实施中,终端基于校验权重,对各水质影响因素的权重数据进行校验,得到校验后的权重数据。具体的,基于各水质影响因素指标的权重数据和对应的校验权重进行比对,当存在水质影响因素指标的权重数据与该权重数据对应的校验权重偏差大于第二预设误差阈值时,确定该水质影响因素指标的权重数据不满足权重数据要求,需要对整体水域数据集中包含的各水质影响因素指标的权重数据进行重确定,得到校验后的权重。或者,当存在水质影响因素指标的权重数据和对应的校验权重偏差大于第一预设误差阈值时,
本实施例中,通过熵权法对水域数据集中的各水质影响因素指标的权重进行重计算,得到各水质影响因素指标的校验权重,进而,基于各校验权重对各水质影响因素指标的权重数据进行校验,提高各水质影响因素指标的权重数据的准确性,进而,提高水质评估结果的准确性。
在一个示例性的实施例中,在确定未来时段的目标水域的水质评估结果之后,还可以对目标区域的水质进行周期性检测评估,例如,基于确定出的目标区域的水质评估结果,执行与水质评估结果相对应的水质防治策略,那么,为了确定水质防治策略的效果,还可以对目标区域的水质防治效果进行检验。或者,在确定未来时段的目标水域的水质评估结果之前,可以预先对目标区域的水质进行上一周期性水质防治结果的检测评估,因此,本申请采用RSR算法,确定水质防治结果,如图5所示,在步骤108之后,该方法还包括:
步骤502,获取监测水域数据集。
其中,监测水域数据集中包含预设时间粒度下目标区域的各水质影响因素指标对应的水域数据。
在实施中,终端获取监测水域数据集。该监测水域数据集与对目标水域进行水质评估时采集的水域数据集相互独立,该监测水域数据集对应的时段可以在水域数据集之前或者之后,也可以与水域数据集的采集时段存在时间交叉,本申请实施例对此不做限定。
步骤504,基于预设的秩和比算法和监测水域数据集,确定每一目标区域对应的秩和比以及概率单位。
在实施中,终端基于预设的秩和比算法(RSR,Rank-sum ratio),确定各水质影响因素指标的秩和比以及概率单位probit。具体地,针对各水质影响因素指标中的每一水质影响因素指标进行秩和比计算,即将该水质影响因素指标对应的各水域数据进行排序,按照排序顺序结果确定各水域数据对应的秩值(也即排序号),然后,以各水域数据对应的秩值来代替各水域数据的原始数据,并计算各水域数据对应的权重系数。然后,终端基于各水域数据的秩值以及各水域数据的权重系数,计算该水质影响因素指标的秩和比。
可选的,该水域数据的的秩值的编制方法,可以分为:整次秩和比法和非整次秩和比法两种,可以基于业务计算需求,选择其中一种计算方式来确定各水域数据的秩值。
1)整次秩和比法
将n个评价对象(即本申请中待检验水质防治措施的多个目标水域)的m个指标(即本申请中的水质影响因素指标)排列成n行m列的原始数据表。编出该原始数据表中每个指标各评价对象的秩值,其中,评估型指标按照秩值从小到大排序,事实型指标按照秩值从大到小排序,同一指标数据相同者取平均值,R=(Rij)m*n,得到秩矩阵。
2)非整次秩和比法
针对评估型指标确定各水质影响因素指标的秩值对应的秩值的计算公式:
其中,Rij为第i个评价对象对应的第j个水质影响因素指标的秩值,n为评价对象的数目,Xij为第i个水质影响因素指标中第j个水域数据,min(X1j、X2j......、Xnj)表征第i个水质影响因素指标对应的全部水域数据中选取最小水域数据。max(X1j、X2j......Xnj)表征第i个水质影响因素指标对应的全部水域数据中选取最大水域数据。
针对事实型指标确定各指标的秩值的计算公式:
其中,max(x1j、X2j......Xnj)表征第i个水质影响因素指标对应的全部水域数据中最大水域数据。
在确定出各水质影响因素指标对应的水域数据的秩值之后,可以基于两种方式计算每一评价对象(评价对象为多个目标区域中的每一目标区域)对应的秩和比。
方式一,针对各水质影响因素指标的权重相同的情况,可以通过对每一评价对象的各水质影响因素指标的秩值进行平均处理,得到该评价对象对应的秩和比。
方式二,针对各水质影响因素指标的权重不相同的情况,可以通过对每一评价对象的各水质影响因素指标的秩值进行加权计算处理,得到该评价对象对应的RSR秩和比。RSR秩和比无量纲,在[1/n,1]区间内,终端按RSR值由小到大的顺序对评价对象进行直接排序。针对每一评价对象对应的水域数据,列出在预设时间粒度下水域数据中超出水质行业标准值的异常数据(即反映水污染的数据)的频数,计算各评价对象的异常数据的累计频数。然后,终端确定每一评价对象的RSR秩和比的秩次R以及平均秩次R-。然后,终端基于平均秩次R-计算累计频率R-/n×100%,且累计频率的最后一项用(1-1/4n)×100%进行修正。最后,终端根据确定出的各评价对象(即每一目标区域)的累计频率,查询预设的《百分数与概率单位对照表》,求其所对应概率单位Probit值。
在一个具体的实施例中,给出一个具体数据的示例,原始数据如下表2所示:
表2
其中,水质影响因素指标包括:X1:水质污染源A排放量、R1:水质污染源A排放量、X2:水质污染源N排放量、R2:水质污染源N排放量,索引值0、1、2对应为三个评价对象。基于上述步骤404中的方法,计算每一评价对象对应的秩和比RSR,并将RSR按照从小到大的顺序重新排列,确定每一评价对象对应的累计频数、秩次以及平均秩次,进而,确定每一评价对象的累计频率,基于累计频率在《百分数与概率单位对照表》中进行查询,得到每一评价对象对应的概率单位Probit。如下表3所示:
表3
步骤506,基于各目标区域的秩和比以及概率单位进行线性回归分析,得到线性回归方程,并基于线性回归方程确定各目标区域对应的各水质影响因素指标对应的变化趋势。
在实施中,针对各目标区域中的每一目标区域,基于该目标区域的秩和比RSR以及概率单位Probit进行线性回归分析,得到线性回归方程,并基于线性回归方程,确定预设时间粒度下每一目标区域对应的各水质影响因素指标对应的变化趋势。具体地,终端计算预设时间粒度下每一目标区域对应的各水质影响因素指标的变化趋势,该变化趋势可以通过变化趋势曲线的形式反映,另外,目标区域对应的各水质影响因素指标均对应有预设行业水质标准值,获取预设时长内该水质影响因素指标的行业水质标准值,计算行业水质标准值对应的参考变化趋势曲线。从而,可以基于行业水质标准值对应的参考变化趋势曲线对目标区域的各水质影响因素指标对应的变化趋势曲线进行参照评估。
例如,以概率单位Probit为自变量,以RSR秩和比为因变量,根据上述表3中给出的数据为例,计算回归方程,从F检验的结果分析可以得到,显著性P值为一个值,水平呈现显著性,拒绝了回归系数为0的原假设,同时模型的拟合优度R2为一个值,回归方程表现较为良好,因此,回归方程基本满足要求。对于变量共线性表现,VIF全部小于10,因此,该回归方程没有多重共线性问题,模型构建良好。如下表4所示:
表4
步骤508,根据各目标区域对应的各水质影响因素指标对应的变化趋势,得到目标水域的水质治理结果。
在实施中,终端针对各目标区域中的每一目标区域,分析该目标区域对应的各水质影响因素指标对应的变化趋势曲线与参考变化趋势曲线的拟合程度,从而,确定每一目标区域的水质治理结果。例如,目标区域对应的各水质影响因素指标对应的变化趋势曲线与参考变化趋势曲线的拟合程度较高(即满足预设拟合程度条件),则确定该目标区域的水质治理结果较好,若目标区域对应的各水质影响因素指标对应的变化趋势曲线与参考变化趋势曲线的拟合程度较低(即不满足预设拟合程度条件),则确定该目标区域的水质治理结果较差,具体地,终端基于确定出的水质影响因素指标的变化趋势曲线与行业标准值对应的参考变化趋势曲线进行拟合计算,如图6所示,图6为给出的一种变化趋势曲线的拟合效果示意图,图6中两条变化趋势曲线拟合效果较好,进而,基于水质影响因素指标的变化趋势曲线与行业水质标准值对应的参考变化趋势曲线的拟合程度较好的拟合结果,确定目标水域的水质治理结果较好。
本实施例中,在进行水质评估之后,基于秩和比算法和监测水域数据集,确定每一目标区域对应的秩和比以及概率单位,进而,可以基于目标区域对应的秩和比以及概率单位进行线性回归分析,得到线性回归方程,基于该线性回归方程可以对目标区域的水质的管理防治情况进行跟踪和评估,得到水质治理结果,从而,提高水质管理的准确性。
在一个实施例中,如图7所示,在步骤506之后,该方法还包括:
步骤702,基于线性回归方程,确定分档临界值。
在实施中,终端基于线性回归方程,确定各水质影响因素指标的分档临界值。
步骤704,基于分档临界值,对各目标区域对应的秩和比进行分档处理,确定各目标区域的水质治理结果的分档结果。
在实施中,终端基于分档临界值,对各目标区域的秩和比进行分档处理,确定预设时间粒度下各目标区域的水质治理结果的分档结果。具体的,基于确定出的秩和比的分档临界值进行水质治理结果的等级划分,从而得到各评价对象(即目标区域)的水质治理结果的治理等级,进而明确了水质治理结果的优劣。
本实施例中,基于秩和比算法确定出的线性回归方程,进一步确定水质治理结果的分档临界值,进而,基于该分档临界值确定各目标区域水质治理结果的治理等级,实现了对水质治理结果的精细化分,提高水质管理的科学性和准确性。
在一个实施例中,如图8所示,在步骤104之前,该方法还包括:
步骤802,获取样本水域数据集。
其中,样本水域数据集包含不同时间粒度下各水质影响因素指标对应的水域数据。
在实施中,终端获取样本水域数据集。具体地,该样本水域数据集中包含的水域数据可以但不限于包括水文形态、水文流量、水文流速、河宽、水深、污染物质、污染浓度、污染指数和扩散系数等水质影响因素指标。另外,样本水域数据集中包含的水域数据可以来自多个监测水域。在进行水域数据采集时,也可以依照不同的时间粒度进行采集,具体地,基于不同的时间粒度,可以将样本水域数据集中的水域数据进行分类处理,并将水域数据存储在不同的库表中,不同的库表,例如,粒度选择通常可以划分为三类,最细粒度的事实表通常是记录了每个瞬间发生的污染事件相关的信息,周期统计的事实表按照一定的周期,记录每个污染事件在周期结束时的状态,情况表为最粗的粒度,记录和污染事件相关的主要信息,粒度反映了水域数据中的度量指标的粗细程度。维度的确定通常是粒度确定之后,再进行维度的确定,粒度越细,维度越多。维度可以涵盖污染事件发生的时间、地点、水污染排放主体、监测点地址、监测点异常原因和发生水污染排放事件的原因等方面的角度,从而将这些角度确定为水域数据中包含的各水质影响因素指标。
可选的,在实际数据采集时,在时间粒度上以瞬时为时间粒度(即实时采集数据)、以天为时间粒度、以星期为时间粒度、以月为时间粒度等等,不同监测水域所采集的水质影响因素指标可能也不完全相同,同一监测水域在不同时期,采集的水质影响因素指标可能也不相同,由此,样本水域数据集中包含不同时间粒度下多种水质影响因素指标对应的水域数据,保证样本水域数据集的信息的全面性。
步骤804,选取各目标维度数目的水质影响因素指标以及各水质影响因素指标对应的度量指标,基于各水质影响因素以及度量指标对应的水域数据,构建目标维度水污染扩散评估模型。
在实施中,多维模型库的构建时,通常以在水场环境下的污染事件为切入点,通过选择粒度,再确定维度,最后确定度量的技术手段,具体地,终端基于多种不同的水场环境以及该水场环境对应的业务需求,在样本数据集中,选取各目标维度数目的水质影响因素指标以及各水质影响因素指标对应的度量指标,进而,可以基于选取出的各目标维度数目的水质影响因素指标以及度量指标对应的水域数据,构建目标维度水污染扩散评估模型。
例如,多维模型的构建示例如下所示:
建立一维水污染扩散模型
在确定时间粒度之后,以(维度)水污染监测指标为水质影响因素指标,以污染源主体的排放量指标为度量指标,构建一维水污染扩散模型,该一维水污染扩散模型可以是回归模型,也可以是基于这两个指标数据对应的水域数据训练出的神经网络模型,本申请实施例不做限定。
建立二维水污染扩散模型
在确定时间粒度之后,以(维度)水污染监测指标和河域水文情况为水质影响因素指标,以污染源主体的排放量为度量指标,构建二维水污染扩散模型。
建立多维水污染扩散模型
在确定时间粒度之后,以(维度)水污染监测指标、河域水文情况、其他维度等为水质影响因素指标,以污染源主体的排放量为度量指标,构建多维水污染扩散模型。本申请实施例对于水污染扩散模型的模型类型不做限定。
步骤806,基于各目标维度水污染扩散评估模型,构建多维模型库。
在实施中,终端基于各目标维度水污染扩散评估模型,构建多维模型库。如图7所示,构建出的各维度的水污染扩散评估模型组成多维模型库,从而,可以在水质评估过程中,从该多维模型库中选择与待评估的目标水域的水场环境相匹配的目标水污染扩散评估模型。
本实施例中,基于样本水域数据集预先进行多维模型库的构建,该多维模型库中包含的各维度的水污染扩散评估模型适配多种水域的水场环境,进而,在水质评估过程中通过在多维模型库中选取出针对目标水域的目标水污染扩散评估模型进行权重数据的确定,提高了水质评估的处理效率和准确性。
在一个实施例中,步骤104的具体处理过程包括:
步骤1041,基于水域数据集中包含的水质影响因素指标、度量指标以及水质影响因素指标的水域数据的时间粒度,在预先构建的多维模型库中确定目标水污染扩散评估模型。
在实施中,水域数据集中包含的各水质影响因素指标、度量指标以及水域数据的时间粒度可以反映目标水域的水场环境特征,进而,在针对目标水域进行水质评估时,终端基于水域数据集中包含的水质影响因素指标、度量指标以及水质影响因素指标的水域数据的时间粒度,在预先构建的多维模型库中确定与目标水域相匹配的目标污染扩散评估模型。具体地,终端基于水域数据集中水域数据的时间粒度以及包含的水质影响因素指标的数目(即维度数目),在多维模型库中确定满足时间粒度和维度条件的候选水污染扩散评估模型,进而,基于水质影响因素指标和度量指标等的实质指标内容,在候选水污染扩散评估模型中确定目标水污染扩散评估模型。
本实施例中,预先构建有多维模型库,在进行水质评估时可以基于水域数据集中反映的目标水域的水场环境特征,选取与目标水域的水场环境相匹配的目标水污染扩散评估模型,进而,通过目标水污染扩散评估模型对各水质影响因素指标的权重数据进行确定,提高了水质评估的准确率。
在一个可选的实施例中,如图9所示,给出了一种水质评估和方法的处理流程架构图,在图9中,将原始的水域数据进行数据整合,得到数据集整合结果,进而,在预先建立的多维模型库选取目标水污染扩散评估模型,基于该目标水污染扩散评估模型确定目标水域的水域数据集中各水质影响因素指标的权重数据,从而基于该权重数据和水域数据集可以进一步进行水质评估,以及还可以基于RSR秩和比算法和后期监测采集的监测水域数据集进一步确定目标水域的水质治理结果,从而提高了水质管理的准确性。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的水质评估方法的水质评估装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个水质评估装置实施例中的具体限定可以参见上文中对于水质评估方法的限定,在此不再赘述。
在一个示例性的实施例中,如图10所示,提供了一种水质评估装置1000,包括:获取模块1010、第一确定模块1020、校验模块1030和第二确定模块1040,其中:
获取模块1010,用于获取目标水域的水域数据集。
第一确定模块1020,用于基于水域数据集,在预先构建的多维模型库中确定目标水污染扩散评估模型。
校验模块1030,用于基于目标水污染扩散评估模型和水域数据集,确定水域数据集中各水质影响因素指标的权重数据,并基于预设的熵权法对各权重数据进行校验,得到校验后的权重数据。
第二确定模块1040,基于校验后的权重数据以及水域数据集,确定未来时段内目标水域的水质评估结果。
在其中一个实施例中,获取模块1010,具体用于获取目标水域的原始水域数据;
对原始水域数据进行数据整合和缺失值筛选处理,并基于原始水域数据中包含的水质影响因素指标,对各水质影响因素指标对应的水域数据进行标准化处理,得到水域数据集。
在其中一个实施例中,水域数据集中包含各水质影响因素指标以及度量指标对应的水域数据,校验模块1030,具体用于针对水域数据集中每一水质影响因素指标,对水质影响因素指标的水域数据进行归一化处理,得到归一化处理后的水域数据;
基于预设的熵权算法,确定水质影响因素指标中各水域数据的比重,并基于各水域数据的比重,确定水质影响因素指标的熵值;
根据各水质影响因素指标的熵值,确定各水质影响因素指标对应的校验权重;
基于校验权重,对各水质影响因素的权重数据进行校验,得到校验后的权重数据。
在其中一个实施例中,该装置1000还包括:
第二获取模块,用于获取监测水域数据集,监测水域数据集中包含预设时间粒度下目标区域的各水质影响因素指标对应的水域数据;
第三确定模块,用于基于预设的秩和比算法和监测水域数据集,确定每一目标区域对应的秩和比以及概率单位;
第四确定模块,用于基于各目标区域对应的秩和比以及概率单位进行线性回归分析,得到线性回归方程,并基于线性回归方程确定各目标区域对应的水质影响因素指标对应的变化趋势;
处理模块,用于根据各目标区域对应的各水质影响因素指标对应的变化趋势,得到各目标水域的水质治理结果。
在其中一个实施例中,该装置1000还包括:
第五确定模块,用于基于线性回归方程,确定分档临界值;
第六确定模块,用于基于分档临界值,对各目标区域对应的秩和比进行分档处理,确定各目标区域的水质治理结果的分档结果。
在其中一个实施例中,该装置1000还包括:
第三获取模块,用于获取样本水域数据集;样本水域数据集包含不同时间粒度下各水质影响因素指标对应的水域数据;
第一构建模块,用于选取各目标维度数目的水质影响因素指标以及各水质影响因素指标对应的度量指标,基于各水质影响因素以及度量指标对应的水域数据,构建目标维度水污染扩散评估模型;
第二构建模块,用于基于各目标维度水污染扩散评估模型,构建多维模型库。
在其中一个实施例中,第一确定模块1020,具体用于基于水域数据集中包含的水质影响因素指标、度量指标以及水质影响因素指标的水域数据的时间粒度,在预先构建的多维模型库中确定目标水污染扩散评估模型。
上述水质评估装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个示例性的实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图11所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中,处理器、存储器和输入/输出接口通过***总线连接,通信接口、显示单元和输入装置通过输入/输出接口连接到***总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种水质评估方法。该计算机设备的显示单元用于形成视觉可见的画面,可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图11中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个示例性的实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取目标水域的水域数据集;
基于所述水域数据集,在预先构建的多维模型库中确定目标水污染扩散评估模型;
基于所述目标水污染扩散评估模型和所述水域数据集,确定所述水域数据集中各水质影响因素指标的权重数据,并基于预设的熵权法对各所述权重数据进行校验,得到校验后的权重数据;
基于所述校验后的权重数据以及所述水域数据集,确定未来时段内所述目标水域的水质评估结果。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取目标水域的原始水域数据;
对所述原始水域数据进行数据整合和缺失值筛选处理,并基于所述原始水域数据中包含的水质影响因素指标,对各所述水质影响因素指标对应的水域数据进行标准化处理,得到水域数据集。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
针对所述水域数据集中每一水质影响因素指标,对所述水质影响因素指标的水域数据进行归一化处理,得到归一化处理后的水域数据;
基于预设的熵权算法,确定所述水质影响因素指标中各水域数据的比重,并基于各所述水域数据的比重,确定所述水质影响因素指标的熵值;
根据各所述水质影响因素指标的熵值,确定各所述水质影响因素指标对应的校验权重;
基于所述校验权重,对各所述水质影响因素的权重数据进行校验,得到校验后的权重数据。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取监测水域数据集,所述监测水域数据集中包含预设时间粒度下目标区域的各水质影响因素指标对应的水域数据;
基于预设的秩和比算法,确定各所述水质影响因素指标的秩和比以及概率单位;
基于各所述水质影响因素指标的秩和比以及所述概率单位进行线性回归分析,得到线性回归方程,并基于所述线性回归方程确定所述预设时间粒度下各所述水质影响因素指标对应的变化趋势;
根据各所述水质影响因素指标对应的变化趋势,得到所述目标水域的水质治理结果。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
基于所述线性回归方程,确定各所述水质影响因素指标的分档临界值;
基于所述分档临界值,对各所述水质影响因素指标的所述秩和比进行分档处理,确定所述预设时间粒度下各所述水质影响因素指标的分档结果。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取样本水域数据集;所述样本水域数据集包含不同时间粒度下各水质影响因素指标对应的水域数据;
选取各目标维度数目的水质影响因素指标以及各所述水质影响因素指标对应的度量指标,基于各所述水质影响因素以及所述度量指标对应的水域数据,构建目标维度水污染扩散评估模型;
基于各目标维度水污染扩散评估模型,构建多维模型库。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
基于所述水域数据集中包含的水质影响因素指标、度量指标以及水质影响因素指标的水域数据的时间粒度,在预先构建的多维模型库中确定目标水污染扩散评估模型。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种水质评估方法,其特征在于,所述方法包括:
获取目标水域的水域数据集;
基于所述水域数据集,在预先构建的多维模型库中确定目标水污染扩散评估模型;
基于所述目标水污染扩散评估模型和所述水域数据集,确定所述水域数据集中各水质影响因素指标的权重数据,并基于预设的熵权法对各所述权重数据进行校验,得到校验后的权重数据;
基于所述校验后的权重数据以及所述水域数据集,确定未来时段内所述目标水域的水质评估结果。
2.根据权利要求1所述的方法,其特征在于,所述获取目标水域的水域数据集,包括:
获取目标水域的原始水域数据;
对所述原始水域数据进行数据整合和缺失值筛选处理,并基于所述原始水域数据中包含的水质影响因素指标,对各所述水质影响因素指标对应的水域数据进行标准化处理,得到水域数据集。
3.根据权利要求1所述的方法,其特征在于,所述水域数据集中包含各水质影响因素指标以及度量指标对应的水域数据,所述基于预设的熵权法对各所述权重数据进行校验,得到校验后的权重数据,包括:
针对所述水域数据集中每一水质影响因素指标,对所述水质影响因素指标的水域数据进行归一化处理,得到归一化处理后的水域数据;
基于预设的熵权算法,确定所述水质影响因素指标中各水域数据的比重,并基于各所述水域数据的比重,确定所述水质影响因素指标的熵值;
根据各所述水质影响因素指标的熵值,确定各所述水质影响因素指标对应的校验权重;
基于所述校验权重,对各所述水质影响因素的权重数据进行校验,得到校验后的权重数据。
4.根据权利要求1所述的方法,其特征在于,所述基于所述校验后的权重数据以及所述水域数据集,确定未来时段内所述目标水域的水质评估结果之后,所述方法还包括:
获取监测水域数据集,所述监测水域数据集中包含预设时间粒度下目标区域的各水质影响因素指标对应的水域数据;
基于预设的秩和比算法和所述监测水域数据集,确定每一所述目标区域对应的秩和比以及概率单位;
基于各所述目标区域对应的秩和比以及所述概率单位进行线性回归分析,得到线性回归方程,并基于所述线性回归方程确定各所述目标区域对应的所述水质影响因素指标对应的变化趋势;
根据各所述目标区域对应的各所述水质影响因素指标对应的变化趋势,得到各所述目标水域的水质治理结果。
5.根据权利要求4所述的方法,其特征在于,所述基于各所述目标区域对应的秩和比以及所述概率单位进行线性回归分析,得到线性回归方程之后,所述方法还包括:
基于所述线性回归方程,确定分档临界值;
基于所述分档临界值,对各所述目标区域对应的秩和比进行分档处理,确定各所述目标区域的水质治理结果的分档结果。
6.根据权利要求1所述的方法,其特征在于,所述基于所述水域数据集,在预先构建的多维模型库中确定目标水污染扩散评估模型之前,所述方法还包括:
获取样本水域数据集;所述样本水域数据集包含不同时间粒度下各水质影响因素指标对应的水域数据;
选取各目标维度数目的水质影响因素指标以及各所述水质影响因素指标对应的度量指标,基于各所述水质影响因素以及所述度量指标对应的水域数据,构建目标维度水污染扩散评估模型;
基于各目标维度水污染扩散评估模型,构建多维模型库。
7.根据权利要求1所述的方法,其特征在于,所述基于所述水域数据集,在预先构建的多维模型库中确定目标水污染扩散评估模型,包括:
基于所述水域数据集中包含的水质影响因素指标、度量指标以及水质影响因素指标的水域数据的时间粒度,在预先构建的多维模型库中确定目标水污染扩散评估模型。
8.一种水质评估装置,其特征在于,所述装置包括:
获取模块,用于获取目标水域的水域数据集;
第一确定模块,用于基于所述水域数据集,在预先构建的多维模型库中确定目标水污染扩散评估模型;
校验模块,用于基于所述目标水污染扩散评估模型和所述水域数据集,确定所述水域数据集中各水质影响因素指标的权重数据,并基于预设的熵权法对各所述权重数据进行校验,得到校验后的权重数据;
第二确定模块,用于基于所述校验后的权重数据以及所述水域数据集,确定未来时段内所述目标水域的水质评估结果。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311290830.8A CN117422195A (zh) | 2023-10-08 | 2023-10-08 | 水质评估方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311290830.8A CN117422195A (zh) | 2023-10-08 | 2023-10-08 | 水质评估方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117422195A true CN117422195A (zh) | 2024-01-19 |
Family
ID=89527491
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311290830.8A Pending CN117422195A (zh) | 2023-10-08 | 2023-10-08 | 水质评估方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117422195A (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106067087A (zh) * | 2016-05-30 | 2016-11-02 | 北京师范大学 | 一种区域水环境风险分区方法 |
CN111950942A (zh) * | 2020-10-19 | 2020-11-17 | 平安国际智慧城市科技股份有限公司 | 基于模型的水污染风险评估方法、装置和计算机设备 |
CN112085388A (zh) * | 2020-09-10 | 2020-12-15 | 深圳禾略贝塔信息科技有限公司 | 一种土地价值评估方法、装置、终端以及可读存储介质 |
CN113327021A (zh) * | 2021-05-17 | 2021-08-31 | 广东省国土资源测绘院 | 一种基于topsis熵权法的土地综合评价方法及装置 |
WO2021184627A1 (zh) * | 2020-03-19 | 2021-09-23 | 平安国际智慧城市科技股份有限公司 | 基于r树的污染物溯源方法、装置及其相关设备 |
CN114139988A (zh) * | 2021-12-06 | 2022-03-04 | 国网山东省电力公司电力科学研究院 | 一种基于物元可拓模型的输电线路风偏闪络风险评价方法 |
CN114363004A (zh) * | 2021-12-09 | 2022-04-15 | 上海浦东发展银行股份有限公司 | 风险评估方法、装置、计算机设备和存储介质 |
CN114862229A (zh) * | 2022-05-20 | 2022-08-05 | 深圳供电局有限公司 | 电能质量评估方法、装置、计算机设备和存储介质 |
CN115392617A (zh) * | 2022-05-07 | 2022-11-25 | 长江水资源保护科学研究所 | 一种基于环境异质性的水库库尾河段水环境安全评估方法 |
CN115907309A (zh) * | 2023-01-18 | 2023-04-04 | 中国科学院东北地理与农业生态研究所 | 一种国家湿地公园生态***健康状况的评价方法 |
CN116227970A (zh) * | 2022-12-15 | 2023-06-06 | 广东省国土资源测绘院 | 自然资源支撑下的乡村发展水平识别方法及*** |
CN116385819A (zh) * | 2023-02-23 | 2023-07-04 | 广东省科学院广州地理研究所 | 基于神经网络模型的水质评价方法、装置以及设备 |
-
2023
- 2023-10-08 CN CN202311290830.8A patent/CN117422195A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106067087A (zh) * | 2016-05-30 | 2016-11-02 | 北京师范大学 | 一种区域水环境风险分区方法 |
WO2021184627A1 (zh) * | 2020-03-19 | 2021-09-23 | 平安国际智慧城市科技股份有限公司 | 基于r树的污染物溯源方法、装置及其相关设备 |
CN112085388A (zh) * | 2020-09-10 | 2020-12-15 | 深圳禾略贝塔信息科技有限公司 | 一种土地价值评估方法、装置、终端以及可读存储介质 |
CN111950942A (zh) * | 2020-10-19 | 2020-11-17 | 平安国际智慧城市科技股份有限公司 | 基于模型的水污染风险评估方法、装置和计算机设备 |
CN113327021A (zh) * | 2021-05-17 | 2021-08-31 | 广东省国土资源测绘院 | 一种基于topsis熵权法的土地综合评价方法及装置 |
CN114139988A (zh) * | 2021-12-06 | 2022-03-04 | 国网山东省电力公司电力科学研究院 | 一种基于物元可拓模型的输电线路风偏闪络风险评价方法 |
CN114363004A (zh) * | 2021-12-09 | 2022-04-15 | 上海浦东发展银行股份有限公司 | 风险评估方法、装置、计算机设备和存储介质 |
CN115392617A (zh) * | 2022-05-07 | 2022-11-25 | 长江水资源保护科学研究所 | 一种基于环境异质性的水库库尾河段水环境安全评估方法 |
CN114862229A (zh) * | 2022-05-20 | 2022-08-05 | 深圳供电局有限公司 | 电能质量评估方法、装置、计算机设备和存储介质 |
CN116227970A (zh) * | 2022-12-15 | 2023-06-06 | 广东省国土资源测绘院 | 自然资源支撑下的乡村发展水平识别方法及*** |
CN115907309A (zh) * | 2023-01-18 | 2023-04-04 | 中国科学院东北地理与农业生态研究所 | 一种国家湿地公园生态***健康状况的评价方法 |
CN116385819A (zh) * | 2023-02-23 | 2023-07-04 | 广东省科学院广州地理研究所 | 基于神经网络模型的水质评价方法、装置以及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | A supervised clustering and classification algorithm for mining data with mixed variables | |
CN115795928B (zh) | 基于伽马过程的加速退化试验数据处理方法和装置 | |
CN114881343B (zh) | 基于特征选择的电力***短期负荷预测方法及装置 | |
CN115841046A (zh) | 基于维纳过程的加速退化试验数据处理方法和装置 | |
CN110765351A (zh) | 目标用户识别方法、装置、计算机设备和存储介质 | |
CN115545103A (zh) | 异常数据识别、标签识别方法和异常数据识别装置 | |
CN116414815A (zh) | 数据质量检测方法、装置、计算机设备和存储介质 | |
CN114626747A (zh) | 资源获取影响因素的权重分析方法、装置、设备和介质 | |
CN116401601B (zh) | 基于逻辑回归模型的停电敏感用户处置方法 | |
CN117422195A (zh) | 水质评估方法、装置、计算机设备和存储介质 | |
CN115759742A (zh) | 企业风险评估方法、装置、计算机设备和存储介质 | |
CN116191398A (zh) | 负荷预测方法、装置、计算机设备和存储介质 | |
CN115913745A (zh) | 车辆安全事件预测方法、装置、计算机设备和存储介质 | |
EP4027277A1 (en) | Method, system and computer program product for drift detection in a data stream | |
CN115204501A (zh) | 企业评估方法、装置、计算机设备和存储介质 | |
CN114841664A (zh) | 一种多任务处理顺序确定方法及装置 | |
CN118332458A (zh) | 异常数据确定方法、装置、计算机设备和存储介质 | |
CN116611507A (zh) | 异常交易识别模型的构建方法、异常交易识别方法及装置 | |
CN116821147A (zh) | 数据查找工具识别方法、装置、设备和存储介质 | |
CN116883351A (zh) | 图像筛选方法、装置、计算机设备和存储介质 | |
CN116307085A (zh) | 基于智能预测的网格化配电规划方法、装置、设备及介质 | |
CN117632366A (zh) | 仿真加速器资源占用状态确定方法、装置、设备和介质 | |
CN116975641A (zh) | 一种数据流监测方法、装置及电子设备 | |
CN117575772A (zh) | 一种异常用户的检测方法、装置、计算机设备、存储介质 | |
CN118094410A (zh) | 非侵入式负荷分类方法、装置、计算机设备和存储介质 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Country or region after: China Address after: 100089 5th floor, building 36, yard 8, Dongbeiwang West Road, Haidian District, Beijing Applicant after: Shuguang Cloud Computing Group Co.,Ltd. Address before: 100089 5th floor, building 36, yard 8, Dongbeiwang West Road, Haidian District, Beijing Applicant before: Shuguang Cloud Computing Group Co.,Ltd. Country or region before: China |