一种基于深度学习的污染水体水质智能识别方法及运维系统与流程
本技术涉及水质识别,尤其是一种基于深度学习的污染水体水质智能识别方法及运维系统。
背景技术:
1、现有的污染水体水质智能识别方法及系统,通常利用深度学习技术,通过部署在水域的传感器阵列实时采集水体信息,以期克服传统人工采样和实验室分析在实时性与效率上的不足。这类系统在常规水文条件下,能够对已知污染物进行有效识别,为水环境管理提供了重要的技术支持。
2、然而,在实际应用中,水体环境的复杂性和多变性,特别是极端天气事件(如暴雨)带来的剧烈影响,常常超出这些系统的设计预期,导致其识别能力面临严峻挑战。例如,暴雨导致大量泥沙、腐殖质等非污染性悬浮物涌入水体,使得水体背景剧变并严重干扰光学传感器的读数。传感器接收到的信号因强烈散射和吸收而失真,与深度学习模型在正常水文条件下训练所建立的“传感器信息-污染物类型”对应关系不再匹配。这极易导致两种后果:其一,系统将浑浊水体的自然特征误判为高浓度工业污染,从而触发误报,造成公共资源浪费;其二,即便此时有企业排放少量有毒污染物,其微弱信号也完全被强大的背景噪声所淹没,导致系统漏报,对下游生态和用水安全构成潜在威胁。
技术实现思路
1、本技术提出一种基于深度学习的污染水体水质智能识别方法及运维系统,旨在解决现有污染水体水质智能识别方法及系统在复杂多变的水体环境下,尤其是在极端天气事件导致的剧烈背景变化下,识别能力面临严峻挑战,易导致误报或漏报的技术问题。
2、第一方面,本技术提供了一种基于深度学习的污染水体水质智能识别方法,包括以下步骤:
3、实时采集水体的监测数据和环境参数,所述监测数据至少包括采用光学传感器获取的光学数据、采用浊度传感器获取的浊度数据以及采用电化学传感器获取的电化学数据;
4、基于预设的深度学习识别模型,对所述监测数据进行处理,输出水质初步识别结果;
5、基于所述监测数据、所述水质初步识别结果以及所述水体的环境参数,构建多源信息证据链,所述多源信息证据链至少包括以下证据中的两种:监测数据的质量评估证据、背景干扰证据、所述深度学习识别模型的内部判断一致性证据、多种监测数据之间的相互印证证据以及与预设事件模式的匹配度证据;
6、基于所述多源信息证据链,通过证据融合算法计算当前所述水质初步识别结果可信度的综合可靠性分数;
7、根据所述综合可靠性分数,输出警报信息或预警信息。
8、作为本技术的一些实施例,所述预设的深度学习识别模型至少包括光谱分析子模块以及电化学分析子模块;
9、所述基于预设的深度学习识别模型,对所述监测数据进行处理,输出水质初步识别结果的步骤包括:
10、基于光谱分析子模块,对光学数据进行处理,识别水体中是否存在有机物污染,并输出有机物污染的类型及置信度;
11、基于电化学分析子模块,对电化学数据进行处理,识别水体中是否存在重金属离子污染,并输出重金属离子污染的类型及置信度;
12、根据所述有机物污染的类型及置信度和所述重金属离子污染的类型及置信度,形成水质初步识别结果。
13、在本技术的一些实施例中:
14、所述质量评估证据,通过评估所述光学数据的光信号衰减程度或信噪比,和/或评估所述浊度数据是否达到饱和,来生成表征所述监测数据可靠性的质量分数获得;
15、所述背景干扰证据,通过结合实时降雨量、水位及流速,判断是否进入高强度背景干扰情境,并基于所述光学数据与浊度数据的特征,量化背景干扰的类型与强度指数获得;
16、所述内部判断一致性证据,通过比对所述光谱分析子模块与所述电化学分析子模块输出的初步判断及置信度,生成一致性分数获得;
17、所述相互印证证据,通过根据预设的污染响应逻辑关联性,比对所述光谱分析子模块输出的初步判断和置信度,与所述电化学数据的变化趋势,生成相互印证的印证分数获得;
18、所述匹配度证据,通过采用动态时间规整算法,将所述监测数据中至少一项的变化参数,在时间维度和/或沿水道的空间监测点维度上的演变序列,与预存储的暴雨背景事件模式和典型污染事件模式进行相似度匹配,生成匹配度分数获得。
19、作为本技术的一些实施例,所述背景干扰证据通过以下流程获得:
20、获取所述水体的实时降雨量、水位及流速,当所述降雨量超过预设的降雨阈值、且所述水位在预设时段内的增幅超过预设的升位阈值、且所述流速在所述预设时段内的增幅超过预设的升速阈值时,判定进入高强度背景干扰情境;
21、在判定进入所述高强度背景干扰情境后,采用非负矩阵分解算法或独立成分分析算法,对以所述光学数据、浊度数据及电化学数据构成的混合监测信号进行实时解混,得到解混结果;
22、根据所述解混结果,量化多种不同的自然背景干扰源对当前监测信号的贡献比例,以生成背景干扰的类型与强度指数;其中,所述自然背景干扰源包括地表径流泥沙、河床冲刷底泥及微量矿物质中的至少两种;
23、将所述背景干扰的类型与强度指数,作为背景干扰证据。
24、作为本技术的一些实施例,所述多源信息证据链还包括用于评估污染物在水体中发生化学变化倾向的转化路径推断证据;
25、所述转化路径推断证据通过以下流程获得:
26、比对持续获取的监测数据与预设的统计阈值或变化率阈值,以识别所述监测数据中的异常信号;
27、计算所述异常信号的动态特征,并形成动态特征序列;其中,所述动态特征包括以下至少一种:吸光度变化率特征、光谱峰值漂移特征、溶解氧变化速率特征;所述吸光度变化率特征为:在所述异常信号包括光学数据时,通过对预设光谱波段的吸光度数据序列进行微分或差分运算,所得到的吸光度随时间的变化率;所述光谱峰值漂移特征为:在所述异常信号包括光学数据时,通过对预设的吸收峰的中心波长位置进行追踪,所记录的所述吸收峰的中心波长位置随时间发生的漂移量;所述溶解氧变化速率特征为:在所述异常信号包括电化学数据时,通过对溶解氧浓度数据序列进行微分或差分运算,所得到的溶解氧浓度随时间的变化速率;
28、结合实时获取的环境参数,采用动态时间规整算法,将所述动态特征序列与预存的污染物转化路径特征库进行匹配,计算得到当前动态特征序列与库中各转化路径特征序列之间的相似度;其中,所述环境参数包括水体温度、ph值和溶解氧浓度;
29、确定与当前动态特征序列相似度最高的转化路径所对应的转化类型,并将相似度最高的转化路径的相似度作为置信度,生成包含转化类型与置信度信息的所述转化路径推断证据。
30、作为本技术的一些实施例,所述污染物转化路径特征库中存储的转化路径动态特征序列,通过以下方式构建:
31、在预设的实验条件下,进行已知污染物在不同环境参数的水体中的转化过程,同步采集监测数据,提取出对应的动态特征序列,并将实验时的环境参数、提取出的动态特征序列与转化类型关联,存入污染物转化路径特征库;
32、和/或获取历史污染事件中记录的监测数据和环境参数,基于记录的监测数据计算出对应的动态特征序列,将记录的环境参数、计算出的动态特征序列与转化类型相关联,存入污染物转化路径特征库。
33、作为本技术的一些实施例,所述基于所述多源信息证据链,通过证据融合算法计算当前所述水质初步识别结果可信度的综合可靠性分数的步骤包括:
34、基于所述多源信息证据链中的每项证据,分别为预设的识别框架中的命题或命题的组合,分配动态支持度赋值;所述识别框架的命题至少包括存在污染、属于背景干扰及未知;
35、依据基于dempster-shafer证据理论的证据融合算法,对所述动态支持度赋值进行合成,得到融合支持度赋值;
36、根据所述融合支持度赋值,计算对存在污染这一命题的信念度,作为表征所述水质初步识别结果可信度的综合可靠性分数。
37、作为本技术的一些实施例,所述根据所述综合可靠性分数,输出警报信息或预警信息的步骤包括:
38、若所述综合可靠性分数高于预设的高可靠性阈值,则生成并输出确认污染事件发生、并建议启动应急响应的警报信息;
39、若所述综合可靠性分数介于所述高可靠性阈值与预设的低可靠性阈值之间,则生成并输出提示存在污染风险但确定性不足、建议加强监测或进行现场复核的预警信息;
40、若所述综合可靠性分数低于所述低可靠性阈值,则继续保持监测状态。
41、作为本技术的一些实施例,所述方法还包括以下步骤:
42、当输出的预警信息经人工复核确认后,将人工复核结论、最终确认的水质状况和所述多源信息证据链,作为训练样本,以对所述深度学习识别模型、证据融合算法中的参数中的至少一项进行反馈优化。
43、第二方面,本技术还提供了一种基于深度学习的污染水体水质智能识别运维系统,包括:
44、数据采集模块,用于实时采集水体的监测数据和环境参数,所述监测数据至少包括采用光学传感器获取的光学数据、采用浊度传感器获取的浊度数据以及采用电化学传感器获取的电化学数据;
45、初步识别模块,用于基于预设的深度学习识别模型,对所述监测数据进行处理,输出水质初步识别结果;
46、证据链构建模块,用于基于所述监测数据、所述水质初步识别结果以及所述水体的环境参数,构建多源信息证据链,所述多源信息证据链至少包括以下证据中的两种:监测数据的质量评估证据、背景干扰证据、所述深度学习识别模型的内部判断一致性证据、多种监测数据之间的相互印证证据以及与预设事件模式的匹配度证据;
47、可靠性分数计算模块,用于基于所述多源信息证据链,通过证据融合算法计算当前所述水质初步识别结果可信度的综合可靠性分数;
48、信息输出模块,用于根据所述综合可靠性分数,输出警报信息或预警信息。
49、根据本技术实施例的技术方案,至少具有如下有益效果:
50、综上所述,本技术能够有效区分并量化自然背景干扰,避免将其误判为污染,从而降低误报率;同时,通过多传感器信息相互印证、追踪污染物动态转化行为以及对微弱异常信号的高敏感知,增强了从强噪声中提取弱污染信号的能力,减少了漏报风险。最终,基于综合可靠性分数的分级预警机制,使得系统输出不再单一和武断,而是提供了与判断确信程度相匹配的响应建议,为水环境应急管理提供了更科学的决策支持。
51、本技术的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本技术的实践了解到。
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