System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及污水处理,尤其涉及一种农村生活污水处理方式的决策方法、装置、设备和存储介质。
技术介绍
1、近年来,农村污水排放量逐年上升,水质水量变化日趋复杂,农村生活污水治理成为提高人居环境整治水平的重要一环。目前农村生活污水处理工艺大多参照城镇污水处理工艺,将其等比例缩小,对建设工艺地区规划不完善造成诸多已建设施出现设计规模过大、技术标准不明、诸多设备停运的现象。我国农村自然地理、生活水平差异较大。因此因地制宜的对各农村地区进行分析规划尤为重要。以上种种因素使得农村生活污水治理模式及工艺的选择困难重重。
2、目前对于农村污水的处理方式往往套用城市污水处理模式,但是农村地区的居住特点、经济水平、自然环境等因素决定了农村生活污水在水质水量、变化规律、处理规模和工艺、管理能力等方面均与城市污水存在较大区别。此外,农村污水处理设施选择时受环境、生活水平、人口分布等诸多因素影响,其中部分因素主观性较强无法进行定量表述,这就增加了决策难度。因此,对于农村生活污水的处理方式,目前缺少较为科学的决策手段,进而导致处理设备建而不用,实际使用率低等问题。
技术实现思路
1、为解决或部分解决相关技术中存在的问题,本专利技术提供一种农村生活污水处理方式的决策方法、装置、设备和存储介质。
2、本专利技术提供一种农村生活污水处理方式的决策方法,其包括步骤:
3、s1、获取指标体系中各指标项对应的指标数据,和,各村落对应处理方式数据,构建指标体系数据库;所述指标项包括:各
4、s2、以各村落对应的居住特征指标作为输入,以对应的居住密度属性作为输出,构建居住密度属性决策树;
5、以各村落的高程特征指标作为输入,以对应的地势属性作为输出,构建地势属性决策树;
6、s3、以所述各村落对应的居住密度属性和地势属性为输入,以对应的治理模式为输出,构建基于机器学习的治理模式分类器模型;
7、以各村落对应的地理特征、活动水平和治理水平为输入,以对应的工艺类型为输出,构建基于机器学习的工艺类型分类器模型;
8、s4、以待决策村落的居住特征、高程特征指标为输入,通过所述治理模式分类器模型,确定治理模式;
9、以待决策村落的地理特征、活动水平和治理水平为输入,通过所述工艺类型分类器模型确定工艺类型。
10、进一步地,所述居住特征指标包括:宅基地占比、村落长宽比、周长和极限距离;所述居住密度属性包括:密集型、块状集中、密集与零散相结合型和分散型;
11、所述宅基地占比按照式i计算得到;所述村落长宽比按照式ii计算得到,所述极限距离按照式iii计算得到;
12、
13、
14、
15、所述式i中,a为宅基地占比,s宅基地为宅基地面积,s为村落面积;
16、所述式ii中,c为村落宽比,l宽为村落长度,l长为村落长度;
17、所述式iii中,d为临界距离,q为生活污水水量,s为村庄面积,d为污水管道管径。
18、进一步地,所述高程特征指标包括:坡度0-8°占比和坡度标准差;所述地势属性包括平坝型、坡地型和沟谷型。
19、进一步地,所述步骤s3中,
20、以所述各村落对应的居住密度属性和地势属性为输入,以对应的治理模式为输出,带入二分类概率单位回归,构建基于机器学习的治理模式分类器模型;所述治理模式包括:分散模式和集中模式;
21、以各村落对应的地理特征、活动水平和治理水平为输入,以对应的工艺类型为输出,带入层次分析模型,构建基于机器学习的工艺类型分类器模型。
22、进一步地,所述治理模式分类器模型如式iv所示,当pn>1时,为集中模式,当pn<1,为分散模式;
23、pn=αn+βx式iv
24、式iv中,n为地势属性,α为截距,β为回归系数;x为居住密度属性,当密度属性为密集型时x=1,当密度属性为密集型时块状集中时,x=2,当密度属性为密集与零散相结合型和分散型时,x=3。
25、进一步地,所述集中模式包括:纳管模式和集中模式;当村落距离城镇污水管网的距离小于3km时,确定为纳管模式,大于3km时,确定为集中模式;
26、所述分散模式包括:拉运模式、分散模式和就地利用模式;当村落距离城镇污水管网的距离小于3km时,确定为拉运模式;大于3km且村落户数大于20户时,确定为分散模式;大于3km且村落户数小于20户或为星型分布时,确定为就地利用模式。
27、进一步地,所述构建基于机器学习的治理模式分类器模型包括:
28、将70%的数据设定为用于模型训练的训练集;将30%的数据设定为用于测试模型准确率的测试集;
29、所述构建基于机器学习的工艺类型分类器模型包括:
30、将70%的数据设定为用于模型训练的训练集;将30%的数据设定为用于测试模型准确率的测试集。
31、本专利技术还提供一种农村生活污水处理方式的决策装置,其包括:
32、数据库构建单元,用于获取指标体系中各指标项对应的指标数据,和,各村落对应处理方式数据,构建指标体系数据库;所述指标项包括:各村落对应的地理特征指标、活动水平指标、治理水平指标、居住特征指标、高程特征指标、居住密度属性和地势属性;所述处理方式包括:工艺类型和治理模式;
33、决策树构建单元,用于以各村落对应的居住特征指标作为输入,以对应的居住密度属性作为输出,构建居住密度属性决策树;
34、以各村落的高程特征指标作为输入,以对应的地势属性作为输出,构建地势属性决策树;
35、模型构建单元,用于以所述各村落对应的居住密度属性和地势属性为输入,以对应的治理模式为输出,构建基于机器学习的治理模式分类器模型;
36、以各村落对应的地理特征、活动水平和治理水平为输入,以对应的工艺类型为输出,构建基于机器学习的工艺类型分类器模型;
37、决策生成单元,用于以待决策村落的居住特征、高程特征指标为输入,通过所述治理模式分类器模型,确定治理模式;
38、以待决策村落的地理特征、活动水平和治理水平为输入,通过所述工艺类型分类器模型确定工艺类型。
39、本专利技术还提供一种农村生活污水处理方式的决策设备,其包括:
40、存储器,用于存储计算机程序;
41、处理器,用于调用并执行所述计算机程序,以实现如权利要求1至7中任一项所述农村生活污水处理方式的决策方法的步骤。
42、本专利技术还提供一种计算机可读存储介质,包括软件程序,所述软件程序适于由处理器执行如上述中任一项所述农村生活污水处理方式的决策方法的步骤。
43、本专利技术提供的农村生本文档来自技高网...
【技术保护点】
1.一种农村生活污水处理方式的决策方法,其特征在于,包括步骤:
2.根据权利要求1所述的决策方法,其特征在于,所述居住特征指标包括:宅基地占比、村落长宽比、周长和极限距离;所述居住密度属性包括:密集型、块状集中、密集与零散相结合型和分散型;
3.根据权利要求2所述的决策方法,其特征在于,所述高程特征指标包括:坡度0-8°占比和坡度标准差;所述地势属性包括平坝型、坡地型和沟谷型。
4.根据权利要求3所述的决策方法,其特征在于,所述步骤S3中,
5.根据权利要求4所述的决策方法,其特征在于,
6.根据权利要求5所述的决策方法,其特征在于,所述集中模式包括:纳管模式和集中模式;当村落距离城镇污水管网的距离小于3km时,确定为纳管模式,大于3km时,确定为集中模式;
7.根据权利要求1所述的决策方法,其特征在于,所述构建基于机器学习的治理模式分类器模型包括:
8.一种农村生活污水处理方式的决策装置,其特征在于,包括:
9.一种农村生活污水处理方式的决策设备,其特征在于,包括:
10
...【技术特征摘要】
1.一种农村生活污水处理方式的决策方法,其特征在于,包括步骤:
2.根据权利要求1所述的决策方法,其特征在于,所述居住特征指标包括:宅基地占比、村落长宽比、周长和极限距离;所述居住密度属性包括:密集型、块状集中、密集与零散相结合型和分散型;
3.根据权利要求2所述的决策方法,其特征在于,所述高程特征指标包括:坡度0-8°占比和坡度标准差;所述地势属性包括平坝型、坡地型和沟谷型。
4.根据权利要求3所述的决策方法,其特征在于,所述步骤s3中,
5.根据权利要求4所述的决策方法,其特征在于,
6.根据权...
【专利技术属性】
技术研发人员:郑天龙,严滢,李鹏宇,曹英楠,韩云平,刘俊新,
申请(专利权)人:中国科学院生态环境研究中心,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。