【技术实现步骤摘要】
本专利技术属于水环境监测，具体涉及一种基于可解释机器学习的水质软测量方法。
技术介绍
1、社会经济的快速发展导致工、农、生排污总量的增大，引起的水质恶化已对区域生态文明建设造成压力，快速、精准测量水体污染物浓度并确定影响污染物浓度变化的关键影响因子及其影响程度对于水环境保护、生态文明建设具有重要意义。传统的水质监测方法通常需要采集水样进行实验室分析，这种方法耗时、费力且无法快速和精准的确定影响水质指标变化的环境因子及其程度影响。因此，开发一种能够实时、准确地测量水体污染物浓度并确定其影响因子与影响程度的软测量方法具有重要的研究意义和应用价值。
2、近年来，机器学习技术的快速发展为解决这一问题提供了新的思路，涌现出一大批基于机器学习方法的水质软测量技术。但传统的机器学习模型存在数据量需求大、数据特征难提取和模型参数难率定的问题，模型预测精度有待商榷，且传统机器学习模型难进行预测结果影响因子分析与影响程度判定，对水环境管理者难提供关键因子管控决策支持依据。为解决上述问题，本专利技术开发了一种基于可解释机器学习方法的水质软测量技术...
【技术保护点】
1.一种基于可解释机器学习的水质软测量方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于可解释机器学习的水质软测量方法，其特征在于，所述S1中的河流水质数据包括氨氮、无机氮、凯氏氮、总氮、总磷、叶绿素的含量以及温度和盐度、浑浊度。
3.根据权利要求1所述的一种基于可解释机器学习的水质软测量方法，其特征在于，所述S1中的样本数据通过生成对抗网络实现水质指标数据的生成、插补和增强。
4.根据权利要求1所述的一种基于可解释机器学习的水质软测量方法，其特征在于，所述S2中从样本数据中得到分频后多频率信号的公式为：
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。