土壤重金属浓度演化预测方法及系统与流程
本技术涉及信息,尤其涉及土壤重金属污染时空预测,具体涉及土壤重金属浓度演化预测方法及系统。
背景技术:
1、流域型农业区的土壤重金属污染防控是保障农产品质量安全和区域生态环境质量的重要环节。在此类区域中,重金属污染物受地表径流、灌溉渠系及地下潜流等水文过程驱动,会沿水流方向从排放源持续向下游耕地迁移,导致污染范围随时间不断扩大。当前对土壤重金属浓度的掌握主要依赖固定监测节点的定期取样化验,这种方式能够获得采样时刻各节点的实测浓度值,属于事后确认性质的监测手段,难以在污染物尚未到达下游耕地之前给出提前研判。随着信息技术与环境监测数据处理的深度融合,利用历史监测数据对土壤重金属浓度的时空演变趋势进行建模预测,已成为流域污染防控领域的重要研究方向,其中基于图结构对多个监测节点间空间关联关系进行建模的方法逐渐得到应用。
2、然而,现有的基于图结构的空间预测方法大多依据监测节点之间的地理邻近关系构建无向关联图,将相邻节点视为对等节点进行空间特征聚合,并未体现地表径流由上游向下游单向输送污染物这一方向性规律,导致所建立的空间关联关系与污染物实际迁移路径存在偏差,在河网、渠系等具有明确流向特征的区域中预测结果的可信度有限。
3、此外,污染物从上游排放点经水流输送至下游耕地需要经历一段时间,这一传导过程的时间长度受水流路径的距离与流速共同影响,不同季节、不同河段的传导时长可能存在数倍差异。目前的预测方法往往将上游监测点与下游监测点的浓度变化视为同步发生的过程,或者仅依靠对历史数据的统计相关性隐式估计延迟关系,缺乏对水流路径长度与径流速度等水文参量的显式换算,导致预测得到的浓度到达时刻与污染物实际到达下游的时刻之间出现明显错位,当模型判断某一地块将在某一时段超标时,实际的超标现象可能已提前发生或延迟显现,预警时机与真实污染进程难以吻合。
4、同时,流域环境中的土壤重金属浓度还会随丰水期与枯水期的交替呈现出显著不同的迁移规律,丰水期高强度径流会加速可交换态重金属随水流下迁,枯水期蒸散发主导下的浓度富集与迁移速度则明显不同。现有的时序建模方法在处理历史监测数据时,通常未按水文周期边界对数据进行分段处理,不同水文期的浓度演化规律相互混杂在同一时间序列中,使得时序特征提取环节难以准确捕捉某一水文期内节点浓度的真实演化趋势与异常波动,进而影响后续预测结果的稳定性。
5、在尾矿库下游坡耕地、沿河灌溉农业区等具有明显水文迁移特征的场景中,监测节点之间的水流传导路径往往较长、水文期交替带来的规律差异也更为突出,污染物到达下游所需的时间可能达到数周甚至数月量级,期间还会因地表覆盖类型、地形坡度等因素的不同而进一步影响传导过程。现有的预测方法在此类场景下既难以准确刻画节点间的方向性传导关系,又难以量化不同水文期、不同路径长度下的传导延迟差异,更无法据此在污染物实际到达并造成超标之前及时确定预警时机与污染强度等级,导致流域下游耕地的污染防控往往滞后于污染物的实际迁移进程,难以为农业生产管理留出充足的应对时间。
6、因此,如何在土壤重金属浓度的时空演化预测中准确刻画监测节点间的方向性传导关系,并结合水文周期差异与传导延迟规律实现对下游节点未来浓度的提前研判,成为流域型农业区土壤重金属污染预警领域亟待解决的技术问题。
技术实现思路
1、针对流域型农业区中重金属污染物随地表径流由上游向下游持续迁移、下游耕地浓度呈现滞后响应,而传统监测方法只能在污染已经发生后检出、无法在污染物到达之前提前预警的技术问题,本发明提供一种土壤重金属浓度演化预测方法及系统。本发明通过构建有向空间拓扑图刻画监测节点之间的上下游传导关系,结合水文周期边界切分历史监测数据以消除季节混杂干扰,利用时序特征提取网络压缩各节点的浓度演化态势,采用图神经网络将上游污染传递压力沿流向聚合至下游节点特征中,并基于水流路径长度与平均径流速度计算传导时滞值以量化污染物到达延迟,将节点特征表示按传导时滞值时间平移后输入预测模型,实现对下游节点未来浓度的提前预测,并据此确定预警时机与污染强度等级,从而在下游实际超标前留出充足应对时间。
2、本发明的一方面,提供一种土壤重金属浓度演化预测方法,所述方法包括以下步骤。
3、步骤s1,获取研究区域内各监测节点的地理坐标与流向数据,根据所述地理坐标与所述流向数据构建有向空间拓扑图。具体地,研究区域为沿河农业区或者尾矿库下游的坡耕地小流域,在该区域内部署若干固定式土壤取样监测节点,每个监测节点包含唯一的节点编号、经度值、纬度值、地表高程值、周边地形坡度值以及所属子流域编号等属性。地理坐标通过高精度差分定位设备获得,流向数据来源于数字高程模型的水文分析,或者结合区域水系图、灌溉渠系图、地下潜流走向图共同确定。构建有向空间拓扑图的过程本质上是把物理上的水文迁移网络抽象为可计算的图结构,使得任一节点的浓度变化都能够沿边追溯到上游污染源,也能够沿边推演到下游受纳区,从而支撑后续步骤中的空间聚合与延迟预测。
4、步骤s2,获取历史监测数据,按照水文周期边界对所述历史监测数据进行季节切分,得到各季节阶段的节点浓度子集。具体地,历史监测数据来自研究区域内所有监测节点在过去若干年内的定期取样化验结果,每一条记录包含节点编号、采样时间、采样深度、镉浓度值、铅浓度值、砷浓度值、汞浓度值、铬浓度值以及土壤含水率、有机质含量等辅助属性。由于同一区域内土壤重金属浓度随着水文周期的丰枯变化呈现出不同的迁移规律,丰水期高强度降雨会导致上游土壤中的可交换态镉大量随径流下迁,而枯水期蒸散发主导下的浓度富集与下迁速度均明显不同,因此先按水文周期边界进行分段处理,避免不同水文期数据混杂造成后续时序建模的失真。
5、步骤s3,通过时序特征提取网络提取各季节阶段内各监测节点的时间特征向量。进一步地,时序特征提取网络是一种能够处理不定长时间序列并对序列中的趋势变化、周期波动、突变事件进行编码的网络结构,其内部由若干层带门控机制的循环单元或者带因果卷积的时序卷积单元堆叠而成。该网络的输入是任一节点在任一季节阶段的浓度子序列,输出是能够反映该节点在该季节阶段内浓度演化态势的固定维度特征量,供后续空间聚合环节使用。
6、步骤s4,根据所述有向空间拓扑图,采用图神经网络对所述时间特征向量进行空间聚合,得到节点特征表示。具体地,空间聚合操作是将每一个监测节点的时间特征向量与其在有向空间拓扑图中连接的上游节点的时间特征向量进行融合,使得下游节点的表示中不仅包含该节点自身的浓度演化信息,还纳入了上游污染传递路径上各节点的浓度演化信息。图神经网络通过逐层传递机制,让每一层的节点表示都能够接收来自邻域节点的信息,经过若干层传递后,一个节点的最终表示中融合了其若干跳以内上游节点的影响,因为下游节点的浓度上升往往是上游多个源头或传递节点共同作用的结果。
7、步骤s5,从所述有向空间拓扑图中获取各有向边对应的水流路径长度与所述季节阶段的平均径流速度,将所述水流路径长度除以所述平均径流速度,得到上游节点传导至下游节点的传导时滞值。进一步地,传导时滞值反映了污染物随水流从上游迁移至下游所需的时间延迟,这一延迟受制于水流路径的空间距离、地表坡度、径流速度、土壤入渗速率、植被截留能力等多重因素。在不同水文期内径流速度差异显著,丰水期强降雨条件下地表径流速度可达0.5m/s至1.2m/s,而枯水期弱径流条件下速度可能仅为0.05m/s至0.1m/s,导致同一路径在不同季节阶段的传导时滞值可能相差10倍以上,因此准确计算传导时滞值是实现提前预警的关键。
8、步骤s6,将所述节点特征表示按所述传导时滞值进行时间平移后输入预测模型,预测未来时刻各下游节点的节点浓度值。具体地,预测模型是一种结合时空特征的序列预测网络,其输入包括各监测节点的节点特征表示以及各有向边的传导时滞值,输出为各下游节点在未来若干时间步长的浓度预测序列。该预测模型在训练阶段使用历史多个季节阶段的节点特征表示、传导时滞值与实际观测到的下游节点浓度变化进行监督学习,学习到上游浓度状态经过一定时滞后对下游浓度的贡献规律,其核心在于将空间聚合得到的节点特征表示中隐含的上游污染传递压力,通过传导时滞值进行时间平移后叠加到下游节点的未来时刻,从而实现提前预测。
9、步骤s7,若所述节点浓度值大于预设浓度阈值,则根据所述传导时滞值与所述节点浓度值确定所述下游节点对应区域的预警时机与污染强度等级。具体地,预警时机是指在下游节点浓度实际超标之前提前发出预警的时刻,该时刻由传导时滞值决定,提前量等于上游节点当前时刻至下游节点浓度超标时刻之间的传导时滞值;污染强度等级根据预测浓度值相对于预设浓度阈值的超出幅度划分为轻度警、中度警、重度警等不同等级,不同等级对应不同的应急响应措施与资源调配优先级,从而为管理部门争取充足的应对时间并合理配置应急资源。
10、进一步地,所述步骤s1包括:根据各监测节点的地理坐标与流向数据确定各监测节点的高程值与相邻关系,获得初始节点集合与初始流向集;采用深度优先搜索算法遍历各监测节点,判断所述初始流向集中是否存在闭环路径,若存在所述闭环路径,则剔除所述闭环路径对应的有向边,得到无环集;根据所述初始节点集合与所述无环集构建有向空间拓扑图,获取所述有向空间拓扑图中各有向边的空间长度,根据所述空间长度构建邻接阵;根据所述邻接阵,采用迪杰斯特拉算法计算指定起始节点至其余各监测节点的最短传导路径,获得目标传导路径集合。具体地,将每一个监测节点的经度值、纬度值、高程值组织为一条节点记录,全部节点记录构成初始节点集合,相邻关系通过判断两个节点是否位于同一条支流、同一条灌溉渠道或者同一条冲沟内确定,若相邻节点之间存在明确的地表径流通道,则从高程较高的节点指向高程较低的节点建立一条有向边。土壤重金属随水流迁移在物理上应当呈单向流动趋势,任何一条闭环路径都意味着流向数据中存在误判,深度优先搜索从入度为0的源点出发依次进入尚未访问的下游节点,并使用访问栈记录当前路径上的节点,若在扩展过程中遇到已经存在于访问栈中的节点则说明形成闭环,依据两端节点高程差值最小的有向边判定为噪声边予以剔除。有向边的空间长度并非简单的两点直线距离,而是沿实际水流通道折算得到的路径长度,由数字高程模型中每一栅格的水流出向按顺序累加得到;对于并不直接相邻但沿有向边能够到达的节点对,迪杰斯特拉算法从起始节点出发,在每一轮中选取当前距离最小且尚未确定的节点固定其最短传导路径,直至所有可达节点均被处理完毕,为在流向不完全直接相邻的节点之间建立污染传递关系提供空间基础。
11、进一步地,所述步骤s2包括:提取所述历史监测数据包含的月份值与浓度值,得到初始时间列;若所述月份值在预设的丰水期范围内,则标记为丰水期标识符,若所述月份值在预设的枯水期范围内,则标记为枯水期标识符,得到带有水文期标识符的目标时间列;按照所述水文期标识符对所述目标时间列执行季节阶段切分,得到多个独立的季节阶段序列集,并提取各季节阶段序列集对应的浓度值,获得各季节阶段对应的初始节点集;采用孤立森林算法对所述初始节点集进行异常值检测,剔除检测出的异常浓度值,得到清洗后的目标节点集;按照节点编号对所述目标节点集进行分组聚合计算,得到各季节阶段的节点浓度子集。具体地,将每一条历史监测记录按照采样时间标准化处理,把年月日时分秒统一转换为可比较的日期值,并从中抽取月份字段与目标金属浓度字段构成二元组,按时间先后排列即为初始时间列。预设的丰水期范围依据研究区域所在流域的多年平均降雨分布确定,切分时以水文期的起止月份作为边界将同一水文期内连续采集的记录归入同一季节阶段序列,若在某一水文期中间出现连续2个月没有采样数据则将该水文期切分为前后两个子序列,避免时间序列出现较大空洞。孤立森林算法通过随机构建大量二叉切分树对样本进行隔离,异常样本由于分布稀疏在树中更靠近根节点即被隔离而得到较高的异常分值,为避免误剔除具有真实污染意义的极值,可以设定异常分值阈值并结合当次采样是否伴随强降雨、是否邻近尾矿排渗事件等辅助信息进行复核;分组聚合计算包括在每一节点的季节内序列上按固定时间粒度进行均值汇总、极值汇总与采样次数统计。
12、进一步地,所述步骤s3包括:将各季节阶段的监测节点产生的节点值按对应时间轴排序,得到各季节阶段的浓度集,采用所述时序特征提取网络处理所述浓度集,获得各监测节点的特征量;解析所述特征量,确定对应监测节点在对应季节阶段内的演化势与波动幅;根据所述演化势构建趋势线,若所述趋势线的斜率大于预设的斜率阈值,则判定对应监测节点为处于浓度上升期的第一监测节点;根据所述第一监测节点的波动幅计算对应时间轴上的最大浓度差,若所述最大浓度差大于预设的浓度差阈值,则提取对应第一监测节点的特征量,得到异常特征量;组合所述异常特征量,确定所述季节阶段内各监测节点的时间特征向量。具体地,时序特征提取网络在处理浓度序列时并不直接输出预测浓度,而是将序列压缩为一个包含浓度均值项、浓度上升速率项、浓度回落速率项、波动峰值项、波动谷值项等分量的固定长度向量。演化势用于表征该节点在整个季节阶段内浓度的总体走向,其数值由特征量中的趋势相关分量组合得到,正值代表浓度呈上升演化,负值代表浓度呈下降演化;波动幅用于表征浓度围绕总体趋势线的抖动强度,由特征量中的波动相关分量组合得到。趋势线以季节阶段内旬序号为横轴、以浓度值为纵轴,通过对浓度序列的中位数平滑得到,取其在整个季节阶段区间上的整体斜率作为判定量,预设的斜率阈值依据历史多年同水文期的自然波动幅度确定;在第一监测节点的季节阶段浓度序列上以固定长度滑动窗口依次截取子段,每个子段内计算最大值与最小值之差,全部子段浓度差中的最大者作为该节点的最大浓度差;组合方式包括对异常特征量与非异常特征量按节点顺序拼接形成总的季节特征矩阵,同时为每个节点附加是否处于浓度上升期的标志位、最大浓度差数值位与波动幅数值位。
13、进一步地,所述步骤s4包括:根据所述有向空间拓扑图的有向边确定上游节点与下游节点的连接关系,得到节点层级序列,并根据所述节点层级序列获取各节点在目标季节阶段的时间特征向量,得到初始节点特征矩阵;采用所述图神经网络对所述初始节点特征矩阵执行空间聚合操作,将所述上游节点的时间特征向量传递至所述下游节点,获得包含上游污染值的聚合特征矩阵;若所述聚合特征矩阵中任一监测节点的污染值大于预设污染阈值,则将该监测节点作为目标节点,提取所述目标节点的传递量,得到高污染传递向量;根据所述高污染传递向量累加所述下游节点接收的污染数值,获得节点污染风险指数,按照数值从大到小的顺序排列所述节点污染风险指数,确定节点特征表示。具体地,节点层级序列通过拓扑排序得到,入度为0的源节点位于层级序列的起始位置,经过一条边可达的节点位于下一层级,依此类推,保证上游节点的特征先被聚合到中间节点,再由中间节点继续向下游传递。图神经网络采用基于消息传递框架的空间卷积网络,针对任一下游节点从其邻接的全部上游节点收集特征向量,经过加权求和或拼接后通过非线性激活层得到融合后的节点表示,若设计为三层传递结构,则经过三轮聚合后节点的最终特征表示中已经融合距离其三跳以内的全部上游节点的时序状态。预设污染阈值根据目标重金属的土壤环境质量标准中的风险筛选值确定,传递量表示高污染节点对其下游节点的污染传递能力,通过对该节点聚合特征向量中与上游贡献相关的分量求和得到;针对任一下游节点,遍历有向空间拓扑图中指向该节点的全部有向边,从边的起点节点提取其高污染传递向量中对应该边的传递分量并累加,得到该下游节点接收到的总污染输入量,再与该节点自身浓度增量按其所在地块土壤缓冲容量确定的加权系数组合,得到节点污染风险指数。
14、进一步地,所述步骤s5包括:将各有向边的水流路径长度除以对应季节阶段的平均径流速度,得到第一传导时滞值;根据所述第一传导时滞值获取上游节点的第一污染物浓度值,采用集成学习算法对所述第一污染物浓度值进行特征提取,获得第二污染物浓度值;根据所述第二污染物浓度值获取所述上游节点传导至下游节点的第一时间差,对所述第一时间差进行线性插值,并采用分类算法确定传导时滞值。具体地,水流路径长度即为步骤s1中构建有向空间拓扑图时附加在每一有向边上的空间长度属性,平均径流速度根据该季节阶段内的历史水文观测数据统计得到,初步计算的第一传导时滞值仅考虑理想状态下的水流速度,未纳入土壤入渗导致的径流量衰减、沿途植被截留导致的流速降低、地表微地形导致的局部滞留等实际影响因素。第一污染物浓度值是上游节点在当前季节阶段内的实测浓度均值或中位数,集成学习算法通过多棵回归树或多个基学习器的组合,对历史多年同一节点的浓度时序数据与下游实测浓度增量进行关联建模,提取出在传导过程中最具代表性的有效可迁移浓度分量作为第二污染物浓度值,相比第一污染物浓度值更能准确反映实际传递到下游的污染量。将第二污染物浓度值与有向边对应的径流断面流量的乘积作为第一传导量,若第一传导量大于预设的传导阈值则按时间窗口对第一传导量进行平滑处理得到第二传导量。第一时间差基于第二传导量与下游节点实测浓度增量进行时间序列互相关分析得到,表示上游污染物输出峰值到达下游节点浓度响应峰值的时间延迟,当第一时间差小于根据有向边空间长度与最低可能径流速度计算得到的理论最短传导时间时,在第一时间差与理论最短传导时间之间按照第二传导量大小进行加权线性插值;分类算法根据下游节点的土壤含水率、有机质含量、粘土矿物含量、阳离子交换量、氧化还原电位等第一土壤指标的组合状态,将下游节点划分为高迁移性类别、中迁移性类别、低迁移性类别,不同类别对应不同的传导效率修正系数,将插值后的时间差乘以该修正系数得到最终的传导时滞值。
15、进一步地,所述步骤s6包括:获取上游节点在当前期的第一浓度值与下游节点在当前期的第二浓度值,作差确定所述上游节点与所述下游节点之间的浓度变化量;根据所述浓度变化量与预设的距离矩阵,采用图神经网络提取节点间的邻接矩阵特征,得到节点特征量;采用互相关函数计算所述上游节点与所述下游节点之间的时间延迟期,若所述时间延迟期大于预设的时滞阈值,则对所述节点特征量进行时间平移处理,得到对齐后的目标特征量;采用时序预测网络对所述目标特征量进行时序状态传递计算,获得所述下游节点在未来期的预测浓度值。具体地,当前期指最新一次采样周期对应的时间段,浓度变化量反映在当前时刻上游节点相对下游节点的浓度势差,该势差是驱动后续污染物继续向下游传导的动力。预设的距离矩阵是全部监测节点两两之间沿有向边的最短传导路径长度构成的矩阵,邻接矩阵特征是图神经网络根据节点间距离对邻接关系进行加权得到的特征表示,距离越远权重越小,使节点特征量中同时融合来自各上游节点按距离衰减后的加权浓度贡献。互相关函数通过计算上游节点浓度序列与下游节点浓度序列在不同时间偏移量下的相关系数,找到相关系数最大值对应的时间偏移量作为时间延迟期,该基于历史统计规律的时滞值可与步骤s5中基于水文物理机制的时滞值相互验证;时间平移处理是将上游节点的节点特征量在时间轴上向未来方向平移传导时滞值对应的时间长度,使得上游节点在当前时刻的浓度状态与下游节点在未来时刻的浓度预测相对齐,从而确保上游污染传递的时序因果关系在预测模型中得到正确体现。时序预测网络采用带有记忆单元的循环网络或者带有时间卷积的序列处理网络,将上游节点的目标特征量按照传导时滞值映射到下游节点的未来时刻并叠加到下游节点的预测浓度上。
16、进一步地,所述步骤s7包括:计算所述节点浓度值与所述预设浓度阈值的差值,得到超出幅,采用树形分类算法对所述超出幅进行分类处理,得到初始污染级;若所述初始污染级满足第一分类条件,则判定为轻度警,若所述初始污染级满足第二分类条件,则判定为重度警,若所述初始污染级既不满足第一分类条件又不满足第二分类条件,则判定为中度警,获得目标污染级;计算所述下游节点对应的传导时滞值与当前时刻的时间差,得到预警时间差,采用时间序列分析算法对所述下游节点所覆盖的地理区域进行时序预测,获得所述地理区域的预警期;根据所述预警期与所述目标污染级,确定所述下游节点对应区域的预警时机与污染强度等级。具体地,超出幅的数值大小直接反映预测浓度超标的严重程度,树形分类算法通过构建决策树对超出幅进行多级划分,每一个叶节点对应一个污染等级,得到初始污染级。第一分类条件包括超出幅较小、预测浓度超标持续时长较短、下游节点所在地块当前土壤缓冲容量充足等条件,满足全部条件时将初始污染级调整为轻度警;第二分类条件包括超出幅较大、预测浓度上升速率较快、下游节点位于饮用水源保护区或重要农产品产地等条件,满足任一条件时将初始污染级调整为重度警,从而综合考虑污染幅度、持续时长、演化速率、区域敏感性等多重因素。所述地理区域是指下游节点所覆盖的实际地理区域,时间序列分析算法结合该地理区域的历史预警响应记录,预测从发出预警到完成灌溉水源切换、实施石灰中和、增施有机肥等应急措施所需的实际时长作为预警期,使预警决策不仅考虑污染传导的物理时间,还考虑人为响应的实际时间;预警时机为当前时刻加上预警期提前量得到的具体发布预警的时间点,污染强度等级即为目标污染级。
17、进一步地,所述方法还包括:根据各有向边的地表覆盖类型,将所述水流路径长度划分为多个水力异质子段,针对各所述水力异质子段,根据该水力异质子段的径流速度与吸附解吸滞留系数分别计算子时滞值与浓度衰减因子;对各所述水力异质子段的子时滞值进行加权卷积,得到所述有向边的时滞响应核;采用所述时滞响应核对所述上游节点的时间特征向量进行卷积延迟扩散处理,得到所述下游节点的到达浓度曲线,并根据所述到达浓度曲线修正所述传导时滞值。具体地,同一条有向边在河岸带路径上其地表覆盖类型标注为植被过滤带,在耕地内部路径上其地表覆盖类型标注为裸露耕作层,不同地表覆盖类型对应的径流速度与吸附解吸滞留系数不同,从而使同一有向边在不同子段上具有差异化的子时滞值与浓度衰减因子。对各子时滞值按其在整条水流路径中所占长度进行加权卷积,得到反映整条有向边延迟扩散响应的时滞响应核,采用该时滞响应核对上游节点的时间特征向量执行卷积延迟扩散处理,得到下游节点浓度随时间逐步升高的到达浓度曲线,以该曲线上浓度达到峰值或达到设定分位的时刻修正原有的传导时滞值,使传导时滞值能够刻画沿程吸附衰减与分段流速差异带来的非均匀延迟特征。
18、本发明的另一方面,提供一种土壤重金属浓度演化预测系统,所述系统包括:拓扑构建模块,用于获取研究区域内各监测节点的地理坐标与流向数据,根据所述地理坐标与所述流向数据构建有向空间拓扑图;季节切分模块,用于获取历史监测数据,按照水文周期边界对所述历史监测数据进行季节切分,得到各季节阶段的节点浓度子集;时序提取模块,用于通过时序特征提取网络提取各季节阶段内各监测节点的时间特征向量;空间聚合模块,用于根据所述有向空间拓扑图,采用图神经网络对所述时间特征向量进行空间聚合,得到节点特征表示;时滞计算模块,用于从所述有向空间拓扑图中获取各有向边对应的水流路径长度与所述季节阶段的平均径流速度,将所述水流路径长度除以所述平均径流速度,得到上游节点传导至下游节点的传导时滞值;浓度预测模块,用于将所述节点特征表示按所述传导时滞值进行时间平移后输入预测模型,预测未来时刻各下游节点的节点浓度值;预警分级模块,用于在所述节点浓度值大于预设浓度阈值时,根据所述传导时滞值与所述节点浓度值确定所述下游节点对应区域的预警时机与污染强度等级。具体地,所述系统中各模块的功能与前述方法中各步骤的处理过程一一对应,拓扑构建模块执行步骤s1的有向空间拓扑图构建与最短传导路径计算,季节切分模块执行步骤s2的水文期标记、季节阶段切分与异常值清洗,时序提取模块执行步骤s3的浓度序列压缩与异常特征量提取,空间聚合模块执行步骤s4的逐层消息传递与节点污染风险指数计算,时滞计算模块执行步骤s5的第一传导时滞值计算、有效浓度提取与传导时滞值修正,浓度预测模块执行步骤s6的浓度变化量计算、时间平移对齐与时序状态传递预测,预警分级模块执行步骤s7的超出幅分类、目标污染级判定与预警时机确定,各模块之间以有向空间拓扑图、节点浓度子集、时间特征向量、节点特征表示、传导时滞值与节点浓度值作为数据接口顺次衔接,共同构成完整的土壤重金属浓度演化预测系统。
19、本发明通过构建有向空间拓扑图刻画上下游传导关系,结合水文周期切分历史监测数据消除季节混杂干扰,采用时序特征提取网络压缩各节点浓度演化态势,利用图神经网络将上游污染传递压力沿流向聚合至下游节点特征中,基于水流路径长度与径流速度计算传导时滞值量化污染物到达延迟,并将上游节点特征按时滞平移后输入预测模型,实现了空间传导机制与时间延迟效应的深度融合,解决了传统监测方法只能事后检出而无法提前预警的技术问题。在此基础上,本发明根据预测浓度超标幅度与传导时滞确定预警时机和污染强度等级,能够在下游实际超标前留出充足应对时间,并根据污染严重程度对应急资源进行差异化配置,提升了流域型农业区土壤重金属污染防控的时效性与精准性;同时通过深度优先搜索剔除闭环、孤立森林清洗异常值、集成学习提取有效可迁移浓度、互相关函数与物理机制双重估计时滞等处理,增强了预测结果在不同采样密度、不同水文条件下的稳健性与适应性。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com