一种基于深度学习的水体环境评估与预测方法及系统技术方案

本发明专利技术公开了一种基于深度学习的水体环境评估与预测方法及系统，包括：获取区域水体遥感信息，对所述区域水体遥感信息进行水体图像分割，并进行水体污染分析，得到水体污染分析信息；获取区域水体样本信息，根据所述区域水体样本信息进行区域水体微生物识别，得到区域微生物识别信息；结合所述水体污染分析信息和区域微生物识别信息对目标水体进行环境评估，得到环境评估信息；获取区域水体水质信息，对目标区域水体进行污染预测，得到污染预测信息；根据所述污染预测信息进行治理预警，并制定治理方案

【技术实现步骤摘要】
一种基于深度学习的水体环境评估与预测方法及系统


[0001]本专利技术涉及水体环境评估
，尤其涉及一种基于深度学习的水体环境评估与预测方法及系统
。

技术介绍

[0002]传统的水体监测方法主要依赖于采样和实验室分析，这些方法效率低下
、
成本高昂
、
不具备实时性，且无法提供对微生物多样性和水体生态系统的深入理解
。
[0003]深度学习是一种新兴的人工智能技术，已在图像识别
、
自然语言处理和大数据分析等领域取得显著的成就
。
将深度学习技术应用于水体环境监测可以有效地克服传统监测方法的局限性
。
深度学习技术可以从大规模和多源数据中自动学习特征，提供更准确的水体污染预测和环境评估
。

技术实现思路

[0004]本专利技术克服了现有技术的缺陷，提供了一种基于深度学习的水体环境评估与预测方法及系统，其重要目的在于提高水体环境评估和预测的准确性和效率性
。
[0005]为实现上述目的本专利技术第一方面提供了一种基于深度学习的水体环境评估与预测方法，包括：获取区域水体遥感信息，对所述区域水体遥感信息进行水体图像分割，并进行水体污染分析，得到水体污染分析信息；获取区域水体样本信息，根据所述区域水体样本信息进行区域水体微生物识别，得到区域微生物识别信息；结合所述水体污染分析信息和区域微生物识别信息对目标水体进行环境评估，得到环境评估信息；获取区域水体水质信息，对目标区域水体进行污染预测，得到污染预测信息；根据所述污染预测信息进行治理预警，并制定治理方案
。
[0006]本方案中，所述对所述区域水体遥感信息进行水体图像分割，并进行水体污染分析，具体包括：获取区域水体遥感信息，对所述区域水体遥感信息进行大气校正
、
辐射校正和图像配准预处理；基于能量分离算法对区域水体遥感信息进行光谱特征增强，计算各波段像素值的平方和，生成能量图像并进行归一化处理，再将不同波段的能量图像进行相加，得到增强水体遥感信息；根据增强水体遥感信息计算目标区域的
NDWI
指数
,
并根据
NDWI
指数进行水体信息提取，得到目标区域水体信息；对目标区域水体信息进行特征提取，提取目标区域水体的光谱特征和水体颜色特征，得到水体特征信息；
基于大数据检索获取各种污染水体的特征信息和遥感图像信息，构建对比数据集；将所述目标区域水体信息和水体特征信息与对比数据集进行相似度计算，并与预设阈值进行判断，得到水体污染分析信息
。
[0007]本方案中，所述获取区域水体样本信息，根据所述区域水体样本信息进行区域水体微生物识别，具体包括：获取区域水体样本信息，对所述区域水体样本信息进行预处理，基于显微镜检测法获取微生物图像信息，得到微生物图像信息；基于目标检测算法对所述微生物图像信息进行目标检测，根据目标检测结果进行图像分割，得到图像分割信息预设小波基函数，对所述图像分割信息进行多分辨率小波分解，将图像分解成不同尺度的小波图像；提取各尺度小波图像的小波系数，与预设阈值进行判断，滤除小幅度的小波系数，并进行图像重构，得到增强小波图像信息；对增强小波图像信息进行特征提取，提取目标微生物的纹理特征
、
边缘特征和颜色特征，得到微生物小波特征信息；根据所述微生物小波特征信息计算图像的纹理信息熵和颜色信息熵，构成信息熵特征信息；构建微生物识别模型，基于大数据检索获取各种微生物图像特征信息并构建训练数据集，通过训练数据集进行深度学习和训练；将所述微生物小波特征信息和信息熵特征信息输入至微生物识别模型中进行识别分析，得到微生物识别信息；基于微生物识别信息结合统计学算法对各种微生物的数量进行数据统计，得到微生物数量信息
。
[0008]本方案中，所述结合所述水体污染分析信息和区域微生物识别信息对目标水体进行环境评估，得到环境评估信息，具体包括：获取目标区域水体信息
、
水体污染分析信息
、
区域微生物识别信息和微生物数量信息；基于灰度分类方法对目标区域水体污染进行等级划分，计算所述目标区域水体信息中水体的图像亮度值，并与预设阈值进行判断，根据判断结果进行水体等级划分，得到水体污染等级信息；根据所述水体污染等级信息和水体污染分析信息对目标水体区域进行划分，得到污染区域划分信息；根据所述区域微生物识别信息和微生物数量信息进行区域微生物数量反演，通过计算单位样本内含有的微生物数量和种类进行区域微生物数量和种类反演，得到区域微生物反演信息；结合区域微生物反演信息和污染区域划分信息进行微生物标记，将微生物种类和数量标记至对应污染等级区域中，得到污染区域标记信息；基于大数据检索获取各种程度和种类的污染水体微生物生态种群信息，并基于主
成分分析算法分析主要污染微生物种类和数量，得到主要污染微生物信息；计算主要污染微生物信息与污染种类和程度的曼哈顿距离，作为置信度，进行相关性分析，得到相关性分析信息；构建环境评估模型，将所述水体污染等级信息
、
水体污染分析信息和污染区域标记信息输入至所述环境评估模型中，得到环境评估信息
。
[0009]本方案中，所述获取区域水体水质信息，对目标区域水体进行污染预测，具体包括：获取区域水体水质信息
、
水体污染分析信息和污染区域标记信息；基于大数据检索获取不同污染种类和程度的水体水质信息和微生物种类信息及微生物习性信息，构成分析数据集；通过微生物习性信息结合不同污染种类和程度的水体水质信息进行微生物生存分析，分析目标微生物在不同水质环境下的繁衍和死亡情况，并与对应改变的水体水质进行关联，构建微生物影响趋势图；根据所述微生物影响趋势图进行水体水质影响因素主成分分析，通过分析微生物生存期间内目标水体中的主要水质影响特征，得到主要水质影响特征信息；基于随机森林算法构建污染预测模型，通过分析数据集
、
主要水质影响特征信息和微生物影响趋势图构建训练数据集对污染预测模型进行深度学习和训练；将所述区域水体水质信息
、
水体污染分析信息和污染区域标记信息导入污染预测模型中进行预测分析；基于导入污染预测模型的各种信息进行特征提取，随机选择若干特征构建多棵项目决策树，整合所有项目决策树的预测结果并使用平均法进行结果回归，最终得到污染预测信息；所述污染预测信息包括：目标水体的污染预测种类信息
、
目标水体的污染变化时间信息
、
目标水体的微生物增长预测信息
。
[0010]本方案中，所述根据所述污染预测信息进行治理预警，并制定治理方案，具体包括：获取污染预测信息和环境评估信息，预设若干污染预警阈值，将所述环境评估信息与所述污染预警阈值进行判断，判断各区域的水体环境污染的预警等级，得到预警等级信息；基于遗传算法构建治理方案构建模型，根据所述预警等级信息构建目标函数和约束条件，通过所述污染预本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于深度学习的水体环境评估与预测方法，其特征在于，包括：获取区域水体遥感信息，对所述区域水体遥感信息进行水体图像分割，并进行水体污染分析，得到水体污染分析信息；获取区域水体样本信息，根据所述区域水体样本信息进行区域水体微生物识别，得到区域微生物识别信息；结合所述水体污染分析信息和区域微生物识别信息对目标水体进行环境评估，得到环境评估信息；获取区域水体水质信息，对目标区域水体进行污染预测，得到污染预测信息；根据所述污染预测信息进行治理预警，并制定治理方案
。2.
根据权利要求1所述的一种基于深度学习的水体环境评估与预测方法，其特征在于，所述对所述区域水体遥感信息进行水体图像分割，并进行水体污染分析，具体包括：获取区域水体遥感信息，对所述区域水体遥感信息进行大气校正
、
辐射校正和图像配准预处理；基于能量分离算法对区域水体遥感信息进行光谱特征增强，计算各波段像素值的平方和，生成能量图像并进行归一化处理，再将不同波段的能量图像进行相加，得到增强水体遥感信息；根据增强水体遥感信息计算目标区域的
NDWI
指数
,
并根据
NDWI
指数进行水体信息提取，得到目标区域水体信息；对目标区域水体信息进行特征提取，提取目标区域水体的光谱特征和水体颜色特征，得到水体特征信息；基于大数据检索获取各种污染水体的特征信息和遥感图像信息，构建对比数据集；将所述目标区域水体信息和水体特征信息与对比数据集进行相似度计算，并与预设阈值进行判断，得到水体污染分析信息
。3.
根据权利要求1所述的一种基于深度学习的水体环境评估与预测方法，其特征在于，所述获取区域水体样本信息，根据所述区域水体样本信息进行区域水体微生物识别，具体包括：获取区域水体样本信息，对所述区域水体样本信息进行预处理，基于显微镜检测法获取微生物图像信息，得到微生物图像信息；基于目标检测算法对所述微生物图像信息进行目标检测，根据目标检测结果进行图像分割，得到图像分割信息预设小波基函数，对所述图像分割信息进行多分辨率小波分解，将图像分解成不同尺度的小波图像；提取各尺度小波图像的小波系数，与预设阈值进行判断，滤除小幅度的小波系数，并进行图像重构，得到增强小波图像信息；对增强小波图像信息进行特征提取，提取目标微生物的纹理特征
、
边缘特征和颜色特征，得到微生物小波特征信息；根据所述微生物小波特征信息计算图像的纹理信息熵和颜色信息熵，构成信息熵特征信息；构建微生物识别模型，基于大数据检索获取各种微生物图像特征信息并构建训练数据
集，通过训练数据集进行深度学习和训练；将所述微生物小波特征信息和信息熵特征信息输入至微生物识别模型中进行识别分析，得到微生物识别信息；基于微生物识别信息结合统计学算法对各种微生物的数量进行数据统计，得到微生物数量信息
。4.
根据权利要求1所述的一种基于深度学习的水体环境评估与预测方法，其特征在于，所述结合所述水体污染分析信息和区域微生物识别信息对目标水体进行环境评估，得到环境评估信息，具体包括：获取目标区域水体信息
、
水体污染分析信息
、
区域微生物识别信息和微生物数量信息；基于灰度分类方法对目标区域水体污染进行等级划分，计算所述目标区域水体信息中水体的图像亮度值，并与预设阈值进行判断，根据判断结果进行水体等级划分，得到水体污染等级信息；根据所述水体污染等级信息和水体污染分析信息对目标水体区域进行划分，得到污染区域划分信息；根据所述区域微生物识别信息和微生物数量信息进行区域微生物数量反演，通过计算单位样本内含有的微生物数量和种类进行区域微生物数量和种类反演，得到区域微生物反演信息；结合区域微生物反演信息和污染区域划分信息进行微生物标记，将微生物种类和数量标记至对应污染等级区域中，得到污染区域标记信息；基于大数据检索获取各种程度和种类的污染水体微生物生态种群信息，并基于主成分分析算法分析主要污染微生物种类和数量，得到主要污染微生物信息；计算主要污染微生物信息与污染种类和程度的曼哈顿距离，作为置信度，进行相关性分析，得到相关性分析信息；构建环境评估模型，将所述水体污染等级信息
、
水体污染分析信息和污染区域标记信息输入至所述环境评估模型中，得到环境评估信息
。5.
根据权利要求1所述的一种基于深度学习的水体环境评估与预测方法，其特征在于，所述获取区域水体水质信息，对目标区域水体进行污染预测，具体包括：获取区域水体水质信息
、
水体污染分析信息和污染区域标记信息；基于大数据检索获取不同污染种类和程度的水体水质信息和微生物种类信息及微生物习性信息，构成分析数据集；通过微生物习性信息结合不同污染种类和程度的水体水质信息进行微生物生存分析，分析目标微生物在不同水质环境下的繁衍和死亡情况，并与对应改变的水体水质进行关联，构建微生物影响趋势图；根据所述微生物影响趋势图进行水体水质影响因素主成分分析，通过分析微生物生存期间内目标水体中的主要水质影响特征，得到主要水质影响特征信息；基于随机森林算法构建污染预测模型，通过分析数据集
、
主要水质影响特征信息和微生物影响趋势图构建训练数据集对污染预测模型进行深度学习和训练；将所述区域水体水质信息
、
水体污染分析信息和污染区域标记信息导入污染预测模型中进行预测分析；
基于导入污染预测模型的各种信息进行特征提取，随机选择若干特征构建多棵项目决策树，整合所有项目决策树的预测结果并使用平均法进行结果回归，最终得到污染预测信息；所述污染预测信息包括：目标水体的污染预测种类信息
、
目标水体的污染变化时间信息
、
目标水体的微生物增长预测信息
。6.
根据权利要求1所述的一种基于深度学习的水体环境评估与预测方法，其特征在于，所述根据所述污染预测信息进行治理预警...

【专利技术属性】
技术研发人员：王蓓丽，李静文，刘亚茹，张家铭，李书鹏，郭丽莉，
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：