一种土壤新污染物赋存状况预测方法及系统技术方案

本发明专利技术公开了一种土壤新污染物赋存状况预测方法及系统，获取预设区域内土壤监测单元的土壤监测数据，进行预处理后提取土壤理化性质及新污染物信息；生成预设区域内新污染物的历史赋存状况序列获取新污染物分布；根据预设区域内土壤监测单元及新污染物分布生成无向图，在图卷积神经网络中引入联邦学习算法构建新污染物赋存状况预测模型；生成新污染物赋存状况预测数据，更新新污染物分布，分析更新后新污染物分布的污染风险进行污染预警。本方法引入联邦学习算法提升了土壤新污染物赋存状况的预测精度，为土壤新污染物的溯源、环境行为及最终归趋提供依据，并为新污染物的风险管控提供数据支撑。控提供数据支撑。控提供数据支撑。

【技术实现步骤摘要】
一种土壤新污染物赋存状况预测方法及系统


[0001]本专利技术涉及污染状况预测
，更具体的，涉及一种土壤新污染物赋存状况预测方法及系统。

技术介绍

[0002]随着人工合成化学品广泛进入市场,并成为生产生活各方面离不开的产品,许多具有毒性、环境污染持久、危害隐蔽等特征的新污染物持续释放到环境中,对人的健康和环境构成严重威胁。目前,化学品种类复杂、增长迅猛,给经济发展带来强劲动力,但同时也面临着化学品管理立法不完善而导致的新污染物治理缺乏制度支撑的问题。而现有污染治理方案着重与安全生产方面的管理以及对常规污染物的治理,对新污染物治理缺乏必要的关注,阻碍了新污染物治理工作的现实推进，导致新污染物治理问题已经成为不可忽视的瓶颈问题。
[0003]新污染物的危害具有隐蔽性、严峻性,其特点在于微量致害且治理成本高昂。有机污染物在土壤中的自由态、挥发态、溶解态和吸附态四种不同赋存状态决定着它在土壤中的迁移转化过程及其生态风险。而且，有污染物在土壤中的赋存形态受污染物的理化特征、土壤理化性质、环境条件等众多因素影响，四种不同赋存形态之间可随着以上因素变化而发生转化，掌握土壤中有机污染物的不同赋存形态含量对污染物治理存在重要意义，因此，如何通过联邦学习预测土壤中新污染物的赋存状况，根据其环境行为评估生态风险是亟需解决的问题。

技术实现思路

[0004]为了解决上述技术问题，本专利技术提出了一种土壤新污染物赋存状况预测方法及系统。
[0005]本专利技术第一方面提供了一种土壤新污染物赋存状况预测方法，包括：获取预设区域内土壤监测单元的土壤监测数据，进行预处理后提取土壤理化性质及新污染物信息；根据所述新污染物信息生成预设区域内新污染物的历史赋存状况序列，通过所述历史赋存状况序列生成新污染物分布；根据预设区域内土壤监测单元及新污染物分布生成无向图，在图卷积神经网络中引入联邦学习算法进行聚合，通过迭代训练后构建新污染物赋存状况预测模型；根据所述新污染物赋存状况预测模型生成新污染物赋存状况预测数据，更新所述新污染物分布，分析更新后新污染物分布的污染风险，根据所述污染风险进行污染预警。
[0006]本方案中，根据所述新污染物信息生成预设区域内新污染物的历史赋存状况序列，通过所述历史赋存状况序列生成新污染物分布，具体为：获取土壤监测单元的在预设时间内的历史土壤监测数据，将所述历史土壤监测数据进行数据清洗及数据筛选，获取各土壤监测单元中新污染物的类别信息及历史赋存状
况；将所述历史赋存状况结合监测时间获取各土壤监测单元的新污染物历史赋存状况序列，并根据所述类别信息设置序列标签；对预设区域进行格栅划分，获取预设区域的格栅地图，将土壤监测单元所在格栅区域赋予不同标记，提取标记格栅区域的土壤理化性质，计算不带标记的格栅区域与标记格栅区域的土壤理化性质的相似度；预设距离范围约束，基于所述相似度将不带标记的格栅区域在距离范围约束内归于相似最高的标记区域，并利用标记区域的标记赋予相同标记，获取更新后的格栅地图；利用新污染物历史赋存状况序列对格栅地图进行数据插入，获取预设区域的新污染物分布。
[0007]本方案中，根据预设区域内土壤监测单元及新污染物分布生成无向图，具体为：获取预设区域中土壤监测单元构建无向图，根据所述新污染物分布将无向图划分为若干子图，将所述土壤监测单元作为各子图的节点，并获取各子图之间的关系作为边结构；根据各节点之间的空间距离获取各子图的邻居矩阵。
[0008]本方案中，构建新污染物赋存状况预测模型，具体为：基于联邦学习算法改进的图卷积神经网络构建新污染物赋存状况预测模型，在各节点中选取目标子图，将目标子图对应的新污染物历史赋存状况序列进行图表示；在图表示中通过皮尔逊相关系数计算节点之间的相似度，构建各节点之间的相似度矩阵，结合所述相似度矩阵及邻居矩阵生成时空关联矩阵，根据节点、边结构及时空关联矩阵生成对应的时空图表示，构建对应的子模型；引入多头自注意力机制，获取自注意力权重，在每个子模型的时空图中利用所述自注意力权重进行卷积，并将不同时间步的卷积结果进行聚合，并使用两层全连接层作为子模型的输出层，通过训练获取子模型的局部参数；将各子模型的局部参数进行汇聚生成全局参数，聚合子模型的全局参数获取新污染物赋存状况预测模型。
[0009]本方案中，分析更新后新污染物分布的污染风险，根据所述污染风险进行污染预警，具体为：获取更新后新污染物分布，根据所述更新后新污染分布生成赋存状况变化值，获取预测时间段内预设区域的气象特征，根据历史赋存状况序列中筛选相同气象特征的子序列；根据所述子序列提取新污染物的历史赋存状况变化值，根据历史赋存状况变化值获取对应相邻格栅区域的迁移变化值，获取迁移变化值与历史赋存状况变化值的比值作为迁移因子；将所述迁移因子与赋存状况变化值进行结合获取新污染物的迁移风险特征，并根据大数据方法获取不同暴露途径获取新污染物的暴露量，根据所述暴露量获取健康风险特征；选取所述迁移风险特征，健康风险特征，赋存状况变化值及赋存状况作为评估指标，将所述评估指标进行数据化处理构建评估矩阵，并将所述评估矩阵进行归一化操作；
基于深度神经网络构建目标区域的污染风险评估模型，通过带有污染风险标签的训练数据进行训练，将归一化后的评估矩阵导入所述污染风险评估模型，通过输出层获取更新后新污染物分布的污染风险；根据目标区域中的土地性质设置不同的污染风险阈值，当所述污染风险大于所述污染风险阈值时，则生成污染预警信息。
[0010]本方案中，还包括，根据污染预警信息获取预设区域内新污染物的治理措施，具体为：获取目标区域带有预警信息标签的新污染物分布，在预警区域中提取预警信息标签中的新污染物类别及新污染物赋存状况，并获取预警区域中的环境特征、岩土性质及地理水文数据；通过污染区域中的土地性质划分污染子区域，根据所述新污染物类别及新污染物赋存状况生成污染特征，根据各污染子区域的土地性质及污染特征利用大数据方法获取新污染物生物治理实例；对所述新污染物生物治理实例进行统计分析，获取不同污染子区域中不同微生物及治理植物的使用频次生成权重信息，并根据治理效果进行筛选；根据各污染子区域的环境特征、岩土性质及地理水文数据与筛选后不同微生物及治理植物的适生条件进行相似度计算，选取相似度大于预设相似度阈值的微生物及治理植物进行标记；根据所述权重信息将标记的微生物及治理植物进行排序，选取预设数量的微生物及治理植物种类按照权重信息生成生物治理混配方案，作为不同污染子区域的治理措施。
[0011]本专利技术第二方面还提供了一种土壤新污染物赋存状况预测系统，该系统包括：存储器、处理器，所述存储器中包括土壤新污染物赋存状况预测方法程序，所述土壤新污染物赋存状况预测方法程序被所述处理器执行时实现如下步骤：获取预设区域内土壤监测单元的土壤监测数据，进行预处理后提取土壤理化性质及新污染物信息；根据所述新污染物信息生成预设区域内新污染物的历史赋存状况序列，通过所述历史赋存状况序列生成新污染物分布；根据预设区域内土壤监测单元及新污染物分布生成无向图，在图卷积本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种土壤新污染物赋存状况预测方法，其特征在于，包括以下步骤：获取预设区域内土壤监测单元的土壤监测数据，进行预处理后提取土壤理化性质及新污染物信息；根据所述新污染物信息生成预设区域内新污染物的历史赋存状况序列，通过所述历史赋存状况序列生成新污染物分布；根据预设区域内土壤监测单元及新污染物分布生成无向图，在图卷积神经网络中引入联邦学习算法进行聚合，通过迭代训练后构建新污染物赋存状况预测模型；根据所述新污染物赋存状况预测模型生成新污染物赋存状况预测数据，更新所述新污染物分布，分析更新后新污染物分布的污染风险，根据所述污染风险进行污染预警。2.根据权利要求1所述的一种土壤新污染物赋存状况预测方法，其特征在于，根据所述新污染物信息生成预设区域内新污染物的历史赋存状况序列，通过所述历史赋存状况序列生成新污染物分布，具体为：获取土壤监测单元的在预设时间内的历史土壤监测数据，将所述历史土壤监测数据进行数据清洗及数据筛选，获取各土壤监测单元中新污染物的类别信息及历史赋存状况；将所述历史赋存状况结合监测时间获取各土壤监测单元的新污染物历史赋存状况序列，并根据所述类别信息设置序列标签；对预设区域进行格栅划分，获取预设区域的格栅地图，将土壤监测单元所在格栅区域赋予不同标记，提取标记格栅区域的土壤理化性质，计算不带标记的格栅区域与标记格栅区域的土壤理化性质的相似度；预设距离范围约束，基于所述相似度将不带标记的格栅区域在距离范围约束内归于相似最高的标记区域，并利用标记区域的标记赋予相同标记，获取更新后的格栅地图；利用新污染物历史赋存状况序列对格栅地图进行数据插入，获取预设区域的新污染物分布。3.根据权利要求1所述的一种土壤新污染物赋存状况预测方法，其特征在于，根据预设区域内土壤监测单元及新污染物分布生成无向图，具体为：获取预设区域中土壤监测单元构建无向图，根据所述新污染物分布将无向图划分为若干子图，将所述土壤监测单元作为各子图的节点，并获取各子图之间的关系作为边结构；根据各节点之间的空间距离获取各子图的邻居矩阵。4.根据权利要求3所述的一种土壤新污染物赋存状况预测方法，其特征在于，构建新污染物赋存状况预测模型，具体为：基于联邦学习算法改进的图卷积神经网络构建新污染物赋存状况预测模型，在各节点中选取目标子图，将目标子图对应的新污染物历史赋存状况序列进行图表示；在图表示中通过皮尔逊相关系数计算节点之间的相似度，构建各节点之间的相似度矩阵，结合所述相似度矩阵及邻居矩阵生成时空关联矩阵，根据节点、边结构及时空关联矩阵生成对应的时空图表示，构建对应的子模型；引入多头自注意力机制，获取自注意力权重，在每个子模型的时空图中利用所述自注意力权重进行卷积，并将不同时间步的卷积结果进行聚合，并使用两层全连接层作为子模型的输出层，通过训练获取子模型的局部参数；将各子模型的局部参数进行汇聚生成全局参数，聚合子模型的全局参数获取新污染物
赋存状况预测模型。5.根据权利要求1所述的一种土壤新污染物赋存状况预测方法，其特征在于，分析更新后新污染物分布的污染风险，根据所述污染风险进行污染预警，具体为：获取更新后新污染物分布，根据所述更新后新污染分布生成赋存状况变化值，获取预测时间段内预设区域的气象特征，根据历史赋存状况序列中筛选相同气象特征的子序列；根据所述子序列提取新污染物的历史赋存状况变化值，根据历史赋存状况变化值获取对应相邻格栅区域的迁移变化值，获取迁移变化值与历史赋存状况变化值的比值作为迁移因子；将所述迁移因子与赋存状况变化值进行结合获取新污染物的迁移风险特征，并根据大数据方法获取不同暴露途径获取新污染物的暴露量，根据所述暴露量获取健康风险特征；选取所述迁移风险特征，健康风险特征，赋存状况变化值及赋存状况作为评估指标，将所述评估指标进行数据化处理构建评估矩阵，并将所述评估矩阵进行归一化操作；基于深度神经网络构建目标区域的污染风险评估模型，通过带有污染风险标签的训练数据进行训练，将归一化后的评估矩阵导入所述污染风险评估模型，通过输出层获取更新后新污染物分布的污染风险；根据目标区域中的土地性质设置不同的污染风险阈值，当所述污染风险大于所述污染风险阈值时，则生成污染预警信息。6.根据权利要求1所述的一种土壤新污染物赋存状况预测方法，其特征在于，还包括，根据污染预警信息获取预...

【专利技术属性】
技术研发人员：王蓓丽，李书鹏，陈丽莉，董兆敏，郭丽莉，韩亚萌，薛晋美，
申请(专利权)人：北京建工环境修复股份有限公司，
类型：发明
国别省市：