【技术实现步骤摘要】
本专利技术涉及环境监测，特别是指一种变化环境下流域水系统靶向治理方法和装置。
技术介绍
1、推动水环境治理由单一水质要素向水生态综合要素转变，实现水环境管理目标从“水环境质量”向“水生态健康”转变，成为流域生态环境保护工作的新要求。
2、点源污染是引发水环境污染的重要因素。但是目前缺乏对点源污染的进行精准预测的方法。快速精准识别水污染特征、追溯污染来源和预测影响水质变化的行业点源将对业务部门科学、高效地对点源污染进行靶向管理具有重要的价值，同时为地区产业结构和水环境的协调发展提供决策支撑。据此，对高危点源污染示警和短期水质预测将有力的填补变化环境下流域水系统靶向治理的需求。
技术实现思路
1、本专利技术实施例提供了一种变化环境下流域水系统靶向治理方法及装置。通过将水质指标进行交叉相关计算，将水质指标间的相关图谱作为输入基础数据，并通过关联规则算法将指标间的相关关系延深至与点源污染间的关联。最后,应用长短时记忆网络充挖掘水质相关图谱在时间上的潜在规律，实现对点源污染的精准预测。为解决上述专利技术目的，所述技术方案如下：
2、一方面，本申请实施例提供了一种变化环境下流域水系统靶向治理方法，包括以下步骤：
3、s1：获取选定区域在选定时间段的地表水质监测断面的数据和点源污染行业的主要污染物数据库，对所述选定区域在选定时间段的地表水质监测断面的数据进行预处理，得到选定水质监测指标的时空序列数据；
4、s2：基于所述选定水质监测指标的时空序列数
5、s3：基于所述水质相关图谱集，通过设定相关性阈值，提取水质指标的显著相关组合，组成流域水质指标事务集；
6、s4：基于所述流域水质指标事务集，通过计算频繁集，得到水质指标的频繁集项，结合点源污染行业的主要污染物数据库，识别水质变化的主控行业；
7、s5：将主控行业的选定水质监测指标的时序数据输入预训练的点源污染的时序预测模型，得到点源污染的预测，所述点源污染的时序预测模型包含三个长短时记忆网络层和一个全连接层，所述长短时记忆网络层的输出维度为32；
8、s6：基于所述水质变化的主控行业和所述点源污染的预测，识别活跃的行业点源，进行流域水系统靶向治理。
9、优选地,所述s1的获取选定区域在选定时间段的地表水质监测断面的数据和点源污染行业的主要污染物数据库，对所述选定区域在选定时间段的地表水质监测断面的数据进行预处理，得到选定水质监测指标的时空序列数据，包括：
10、s11：获取选定区域在选定时间段的地表水质监测断面的数据，计算得到选定水质监测指标数据；
11、s12：对所述选定水质监测指标数据进行数据清洗，所述数据清洗包括去除空值、错值和异常值样本；
12、s13：将选定区域按照预设区域单元划分成子区域；
13、s14：将选定时间段按照预设时间维度划分为时间单元；
14、s15：将所述选定水质监测指标数据按照子区域进行聚合，得到子区域水质监测的指标数据；
15、s16：将所述选定水质监测指标数据按照时间单元进行聚合，得到水质监测指标的时间序列数据；
16、s17：将所述选定水质监测指标数据按照子区域和时间单元进行聚合，得到子区域水质监测指标的时间序列数据；
17、s18：由所述子区域水质监测的指标数据、所述水质监测指标的时间序列数据和所述子区域水质监测指标的时间序列数据共同组成选定水质监测指标的时空序列数据。
18、优选地,所述s2的基于所述选定水质监测指标的时空序列数据，按照预设区域单元和预设时间维度进行交叉相关计算，得到水质相关图谱集，包括：
19、s21：基于所述子区域水质监测的指标数据，根据公式(1)进行交叉相关计算，得子区域的水质相关图谱：
20、
21、其中，xi和yi分别表示样本中的观测值，和分别表示xi和yi的平均值，n表示样本的大小；
22、s22：基于所述水质监测指标的时间序列数据，根据公式(1)进行交叉相关计算，得单位时间的水质相关图谱；
23、s23：基于所述子区域水质监测指标的时间序列数据，根据公式(1)进行交叉相关计算，得子区域的单位时间的水质相关图谱；
24、s24：由所述子区域的水质相关图谱、所述单位时间的水质相关图谱和所述子区域的单位时间的水质相关图谱组成水质相关图谱集。
25、优选地,所述s4的基于所述流域水质指标事务集，通过计算频繁集，得到水质指标的频繁集项，结合点源污染行业的主要污染物数据库，识别水质变化的主控行业，包括：
26、s41：将所述流域水质指标事务集中的全部项集作为候选项集，通过公式(2)计算每一项集的支持度，其中候选项集中事务的初始个数为k：
27、
28、其中，nxy是出现xy的个数，nall是全部项集的个数；
29、s42：从候选项集中删除不满足最小支持度的项集，得到更新的候选项集；
30、s43：基于更新的候选项集，生成关联规则，并根据公式(3)计算置信度:
31、
32、其中，support(x∪y)是并集的支持度，support(x)是x的支持度；
33、s44：从更新的候选项集中删除不满足最小置信度的项集，得到可靠的关联规则，并加入关联规则集；
34、s45：重复步骤s42-s44，事务的个数加1，直到更新的候选项集为空集,得到最终的关联规则集；
35、s46：基于最终的关联规则集，结合点源污染行业的主要污染物数据库，识别水质变化的主控行业。
36、优选地,所述s5的将主控行业的选定水质监测指标的时序数据输入预训练的点源污染的时序预测模型，得到点源污染的预测，所述点源污染的时序预测模型包含三个长短时记忆网络层和一个全连接层，所述长短时记忆网络层的输出维度为32，包括：
37、s51：基于所述选定水质监测指标的时空序列数据，提取和水质变化的主控行业相关的水质指标的时序单元数据；
38、s52：将所述水质指标的时序单元数据输入预训练的点源污染的时序预测模型，得到点源污染的预测数据。
39、优选地,所述s52的将所述水质指标的时序单元数据输入预训练的点源污染的时序预测模型，得到点源污染的预测数据，包括：
40、s521：构建点源污染的时序预测模型，所述模型采用4层神经网络层，其中3层为长短时记忆网络层与1层全连接层，其中长短时记忆网络层的输出维度为32；
41、s522：基于和水质变化的主控行业相关的水质指标的时序单元数据，对所有时序单元进行随机长度组合，形成训练样本；
42、s523：基于训练样本，对点源污染的时序预测模型进行训练，得到预训练的点源污染的时序预测本文档来自技高网...
【技术保护点】
1.一种变化环境下流域水系统靶向治理方法，其特征在于，包括：
2.根据权利要求1所述的变化环境下流域水系统靶向治理方法，其特征在于，所述S1的获取选定区域在选定时间段的地表水质监测断面的数据和点源污染行业的主要污染物数据库，对所述选定区域在选定时间段的地表水质监测断面的数据进行预处理，得到选定水质监测指标的时空序列数据，包括：
3.根据权利要求1所述的变化环境下流域水系统靶向治理方法，其特征在于，所述S2的基于所述选定水质监测指标的时空序列数据，按照预设区域单元和预设时间维度进行交叉相关计算，得到水质相关图谱集，包括：
4.根据权利要求1所述的变化环境下流域水系统靶向治理方法，其特征在于，所述S4的基于所述流域水质指标事务集，通过计算频繁集，得到水质指标的频繁集项，结合点源污染行业的主要污染物数据库，识别水质变化的主控行业，包括：
5.根据权利要求1所述的变化环境下流域水系统靶向治理方法，其特征在于，所述S5的将主控行业的选定水质监测指标的时序数据输入预训练的点源污染的时序预测模型，得到点源污染的预测，所述点源污染的时序预测模型包含
6.根据权利要求5所述的变化环境下流域水系统靶向治理方法，其特征在于，所述S52的将所述水质指标的时序单元数据输入预训练的点源污染的时序预测模型，得到点源污染的预测数据，包括：
7.根据权利要求1所述的变化环境下流域水系统靶向治理方法，其特征在于，所述S6的基于所述水质变化的主控行业和所述点源污染的预测，识别活跃的行业点源，进行流域水系统靶向治理，包括：
8.一种变化环境下流域水系统靶向治理装置，其特征在于，所述装置适用于上述权利要求1-7中任意一项的方法，装置包括：
9.一种电子设备，其特征在于，所述电子设备包括：壳体、处理器、存储器、电路板和电源电路，其中，电路板安置在壳体围成的空间内部，处理器和存储器设置在电路板上；电源电路，用于为上述电子设备的各个电路或器件供电；存储器用于存储可执行程序代码；处理器通过读取存储器中存储的可执行程序代码来运行与可执行程序代码对应的程序，用于执行前述权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现前述权利要求1至7中任一项所述的方法。
...【技术特征摘要】
1.一种变化环境下流域水系统靶向治理方法，其特征在于，包括：
2.根据权利要求1所述的变化环境下流域水系统靶向治理方法，其特征在于，所述s1的获取选定区域在选定时间段的地表水质监测断面的数据和点源污染行业的主要污染物数据库，对所述选定区域在选定时间段的地表水质监测断面的数据进行预处理，得到选定水质监测指标的时空序列数据，包括：
3.根据权利要求1所述的变化环境下流域水系统靶向治理方法，其特征在于，所述s2的基于所述选定水质监测指标的时空序列数据，按照预设区域单元和预设时间维度进行交叉相关计算，得到水质相关图谱集，包括：
4.根据权利要求1所述的变化环境下流域水系统靶向治理方法，其特征在于，所述s4的基于所述流域水质指标事务集，通过计算频繁集，得到水质指标的频繁集项，结合点源污染行业的主要污染物数据库，识别水质变化的主控行业，包括：
5.根据权利要求1所述的变化环境下流域水系统靶向治理方法，其特征在于，所述s5的将主控行业的选定水质监测指标的时序数据输入预训练的点源污染的时序预测模型，得到点源污染的预测，所述点源污染的时序预测模型包含三个长短时记忆网络层和一个全连接层，所述长短时记忆网络层的输出维度为32，包括：...
【专利技术属性】
技术研发人员：王国强，阿膺兰，王运涛，王桥，
申请(专利权)人：北京师范大学，
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。