一种基于多源感知数据融合的河湖水生态环境智慧监测方法与流程
本发明涉及河湖水生态环境监测,尤其涉及一种基于多源感知数据融合的河湖水生态环境智慧监测方法。
背景技术:
1、随着河湖生态环境保护和流域综合治理工作的不断推进,水生态环境监测已成为水资源管理、水污染防治及生态修复的重要技术手段。现阶段,河湖水生态环境监测通常综合利用水质传感器、水文监测设备、气象监测设备以及遥感监测平台,对水体理化指标、水文条件及周边环境进行持续监测,并结合数据分析实现水质评价、污染预警及生态环境变化趋势预测,为河湖生态环境治理和科学决策提供数据支撑。
2、然而,现有河湖水生态环境监测技术大多针对单一类型监测数据或采用简单的数据融合方式,不同来源监测数据之间存在采样频率不同、空间分辨率不同及数据质量差异较大的问题,难以实现多源监测数据的有效协同利用;同时,对于不同数据源可靠性的动态变化缺乏自适应调节机制,易受到异常数据、数据缺失及噪声干扰的影响,导致融合结果的准确性和稳定性不足。此外,现有监测系统普遍缺少结合历史监测信息的持续学习能力,难以适应河湖水生态环境季节性变化及长期演变过程,对水质变化趋势预测及异常预警的准确性仍有待提高。
技术实现思路
1、本发明提供了一种基于多源感知数据融合的河湖水生态环境智慧监测方法,通过对水质数据、水文数据、气象数据、卫星遥感数据和无人机航测数据进行统一预处理,结合多模态特征提取、多源数据深度融合、自适应融合权重调节、水质等级判定、趋势预测及增量式更新,实现河湖水生态环境的智能监测与动态预警,提高多源监测数据融合的准确性、监测结果的稳定性、异常预警的及时性以及系统对河湖水生态环境长期变化的适应能力。
2、一种基于多源感知数据融合的河湖水生态环境智慧监测方法,包括以下步骤:
3、s1,采集目标水域的监测数据,包括水质数据、水文数据、气象数据、卫星遥感数据和无人机航测数据,采用局部离群因子算法剔除异常数据,采用动态时间规整算法对不同采样频率的数据进行时序对齐,并通过插值和坐标变换进行空间配准,得到预处理后的多源感知数据;
4、s2,基于所述预处理后的多源感知数据,分别提取各监测点的水质时序演化特征、上下游空间邻域特征及水体遥感特征,并采用跨模态注意力机制将水质时序演化特征、上下游空间邻域特征及水体遥感特征映射至统一嵌入空间,生成融合时空特征表示;
5、s3,基于所述融合时空特征表示,采用d-s证据理论对同一监测点的水质数据、水文数据以及气象数据进行证据合成,采用图卷积网络对相邻监测点的融合结果进行空间传播与聚合,并根据各数据源的数据缺失率、信噪比和时效性计算质量评估分数,动态调节各数据源的融合权重,得到多源数据深度融合结果;
6、s4,基于所述多源数据深度融合结果进行水质等级判定,并根据历史多源数据深度融合结果预测未来预定时间段内的水质变化趋势和关键指标值,当监测指标超出预设阈值或预测结果显示水质恶化趋势时触发预警,生成动态监测报告;
7、s5,将新增采集的监测数据加入训练集,对用于提取水质时序演化特征、上下游空间邻域特征及水体遥感特征并生成融合时空特征表示的相关参数,以及用于证据合成、空间传播与聚合和融合权重调节的相关参数进行增量式更新。
8、可选的,所述s1包括:
9、s11,在目标水域布置水质传感器、水文传感器和气象传感器,所述水质传感器用于采集ph值、溶解氧、浊度、电导率、氨氮和总磷数据,所述水文传感器用于采集水位、流速和流量数据,所述气象传感器用于采集气温、气压、风速和光照强度数据,同时,接入覆盖目标水域的卫星遥感数据以及无人机航测数据,并为各项监测数据添加采集时间、采集位置和数据来源标识,生成目标水域的原始多源感知数据集;
10、s12,基于所述原始多源感知数据集,针对各传感器采集的连续监测数据构建局部邻域,并采用局部离群因子算法计算各监测数据的局部离群因子值,将局部离群因子值大于异常判定阈值的监测数据标记为异常数据并予以剔除,得到异常剔除后的多源感知数据;
11、s13,基于所述异常剔除后的多源感知数据,以统一目标时间序列为基准,采用动态时间规整算法分别计算不同采样频率的数据序列与所述目标时间序列之间的累计匹配距离,并依据最小累计匹配距离确定时间对齐路径,将各数据序列映射至统一时间节点,得到时序对齐后的多源感知数据;
12、s14,基于所述时序对齐后的多源感知数据,建立覆盖目标水域的标准化空间网格,根据各监测点与标准化空间网格节点之间的空间距离,对水质数据、水文数据和气象数据进行插值计算,将各监测点数据映射至对应的标准化空间网格节点;
13、s15,对卫星遥感数据和无人机航测数据的空间坐标进行坐标变换,将其转换至与所述标准化空间网格一致的目标坐标系,并按照空间位置将坐标变换后的卫星遥感数据和无人机航测数据与完成插值的水质数据、水文数据和气象数据进行网格对应,得到预处理后的多源感知数据。
14、可选的,所述s2包括:
15、s21,基于所述预处理后的多源感知数据,按照监测点和采集时间分别构建水质时间序列,将各监测点连续时刻的ph值、溶解氧、浊度、电导率、氨氮和总磷数据输入双向长短期记忆网络,分别沿时间正向和时间反向对水质变化过程进行编码,将正向隐藏状态与反向隐藏状态进行拼接,得到各监测点的水质时序演化特征,所述水质时序演化特征包括趋势特征、周期特征和突变特征;
16、s22,基于所述预处理后的多源感知数据构建目标水域的时空关系图,将各监测点作为节点,并根据监测点之间的地理位置相邻性和水流方向关联性建立空间边,将各监测点的水质时序演化特征作为节点特征输入图注意力网络,计算目标监测点与其相邻监测点之间的注意力系数,并根据所述注意力系数对相邻监测点的节点特征进行加权聚合,得到表征上下游水质变化传播关系的上下游空间邻域特征;
17、s23,基于所述预处理后的卫星遥感数据和无人机航测数据,对覆盖目标水域的多光谱遥感影像进行波段运算,提取归一化水体指数、叶绿素a浓度反演值和悬浮物浓度反演值,并将所述归一化水体指数、叶绿素a浓度反演值和悬浮物浓度反演值组成遥感特征影像,通过卷积神经网络进行卷积编码,得到目标水域的水体遥感特征;
18、s24,将所述水质时序演化特征、上下游空间邻域特征和水体遥感特征分别进行线性投影,并采用跨模态注意力机制计算不同模态特征之间的关联权重,根据所述关联权重对投影后的水质时序演化特征、上下游空间邻域特征和水体遥感特征进行加权融合,生成融合时空特征表示。
19、可选的,所述s3包括:
20、s31,基于所述融合时空特征表示,分别获取同一监测点对应的水质数据、水文数据和气象数据,将水质数据、水文数据和气象数据对水质等级的判别结果作为独立证据,采用d-s证据理论计算各独立证据之间的冲突系数和信任函数,并依据所述冲突系数和信任函数对各独立证据进行证据合成,得到各监测点的综合判别结果;
21、s32,基于构建的时空关系图,以各监测点的综合判别结果作为节点特征,并依据监测点之间的地理位置相邻关系和水流方向关联关系构建图卷积网络,通过图卷积网络对各监测点的综合判别结果进行空间传播与特征聚合,使相邻监测点之间的水质信息相互传递,得到空间平滑后的水质分布状态;
22、s33,基于所述空间平滑后的水质分布状态,分别统计水质数据、水文数据、气象数据、卫星遥感数据和无人机航测数据的数据缺失率、信噪比和时效性,并根据所述数据缺失率、信噪比和时效性计算各数据源的质量评估分数,采用门控机制根据各数据源对应的质量评估分数动态调节各数据源在融合过程中的权重,当任一数据源的质量评估分数降低时,自动降低对应数据源的融合权重,得到多源数据深度融合结果。
23、可选的,所述s31包括:
24、s311,基于所述融合时空特征表示,分别获取同一监测点对应的水质数据、水文数据和气象数据,并根据各类数据对应的水质等级判定标准,计算水质数据、水文数据和气象数据对各水质等级的基本概率赋值,将各类数据对水质等级的基本概率赋值分别作为水质证据、水文证据和气象证据,形成同一监测点的独立证据集合;
25、s312,基于所述独立证据集合,采用d-s证据理论分别计算各独立证据之间的冲突系数和各水质等级对应的信任函数,确定不同独立证据之间的一致程度;
26、s313,根据所述冲突系数和信任函数,对水质证据、水文证据和气象证据进行d-s证据合成,计算各水质等级的综合基本概率赋值,并将综合基本概率赋值最大的水质等级对应的判定结果作为该监测点的综合判别结果。
27、可选的,所述s32包括:
28、s321,基于构建的时空关系图,将各监测点作为图节点,将监测点之间的地理位置相邻关系和水流方向关联关系作为图边,并将各监测点综合判别结果转换为节点特征向量,构建节点特征矩阵和邻接矩阵,其中,所述节点特征向量由各水质等级对应的综合基本概率赋值组成,所述邻接矩阵用于表征任意两个监测点之间是否存在地理位置相邻关系或水流方向关联关系;
29、s322,基于所述邻接矩阵增加各监测点的自连接关系,并对增加自连接后的邻接矩阵进行归一化处理,得到归一化邻接矩阵,将所述节点特征矩阵和归一化邻接矩阵输入图卷积网络,使每个监测点接收与其相邻的上游监测点、下游监测点及地理相邻监测点的综合判别信息,完成监测点之间水质信息的空间传播;
30、s323,利用图卷积网络根据所述归一化邻接矩阵对各监测点自身及其相邻监测点的节点特征进行加权聚合,并对聚合结果进行特征变换和非线性映射,得到各监测点的空间融合特征,将各监测点的空间融合特征按照其空间位置映射至目标水域的标准化网格,形成空间平滑后的水质分布状态。
31、可选的,所述s33包括:
32、s331,基于所述空间平滑后的水质分布状态,分别提取水质数据、水文数据、气象数据、卫星遥感数据和无人机航测数据在当前评估周期内的数据记录,统计各数据源的应采集数据量、有效数据量、信号功率、噪声功率和数据更新时间,分别计算各数据源的数据缺失率、信噪比和时效性,形成各数据源的质量指标集合;
33、s332,基于各数据源的数据缺失率、信噪比和时效性,对所述信噪比进行归一化处理,并将数据完整度、归一化信噪比和时效性进行加权计算,得到各数据源对应的质量评估分数,其中,数据缺失率越高,数据完整度越低,信噪比和时效性越高,数据源对应的质量评估分数越高;
34、s333,将各数据源对应的质量评估分数输入门控机制,计算各数据源在当前融合过程中的门控值,并对所述门控值进行归一化处理,得到各数据源的融合权重,根据所述融合权重,对水质数据、水文数据、气象数据、卫星遥感数据和无人机航测数据对应的特征表示进行加权融合,并与所述空间平滑后的水质分布状态进行结合,得到多源数据深度融合结果,当任一数据源的质量评估分数降低时,其门控值和融合权重相应降低。
35、可选的,所述s4包括:
36、s41,基于所述多源数据深度融合结果,将各监测点对应的多源数据深度融合结果输入训练完成的多分类支持向量机,分别计算所述多源数据深度融合结果对应于水质的分类得分,并将分类得分最大的水质类别确定为对应监测点的水质等级,形成目标水域的水质等级判定结果;
37、s42,按照监测时间顺序提取连续多个监测周期内的历史多源数据深度融合结果,构建历史多源数据深度融合结果序列,将所述历史多源数据深度融合结果序列输入基于transformer架构的时序预测模型,通过自注意力计算历史监测周期之间的时序关联程度,并根据各历史监测周期的时序关联程度进行特征聚合,预测未来预定时间段内各监测点的水质变化趋势以及关键指标预测值,关键指标包括ph值、溶解氧、浊度、电导率、氨氮和总磷;
38、s43,分别将各监测点的当前关键指标监测值和未来预定时间段内的关键指标预测值与对应的预设指标阈值进行比较,并根据所述关键指标的预测变化量判断是否存在水质恶化趋势,当任一当前关键指标监测值超出对应的预设指标阈值,或者任一关键指标预测值在未来预定时间段内超出对应的预设指标阈值,或者预测结果显示水质恶化趋势时,触发预警信号,并根据水质等级判定结果、关键指标预测值和预警结果生成包括时空演变图及趋势分析图表的动态监测报告。
39、可选的,所述s43包括:
40、s431,获取各监测点在当前监测时刻的ph值、溶解氧、浊度、电导率、氨氮和总磷监测值,以及未来预定时间段内对应关键指标预测值,将当前关键指标监测值和各预测时刻的关键指标预测值分别与对应的预设指标阈值进行比较,判断各关键指标当前是否超限以及在未来预定时间段内是否发生预测超限,得到当前指标超限判定结果和预测指标超限判定结果;
41、s432,计算各监测点在未来预定时间段内各关键指标相对于当前监测值的预测变化量,并根据各关键指标对应的水质影响方向,将浊度、电导率、氨氮和总磷的预测增加量、溶解氧的预测降低量以及ph预测值对正常范围的偏离量分别与对应的恶化判定阈值进行比较,当任一关键指标满足对应的恶化判定条件时,将该关键指标标记为恶化指标,当多种关键指标中至少两项被标记为恶化指标时,判定对应监测点存在水质恶化趋势;
42、s433,综合所述当前指标超限判定结果、预测指标超限判定结果和水质恶化趋势判定结果,当任一关键指标的当前监测值超出对应预设指标阈值,或者任一关键指标预测值在未来预定时间段内超出对应预设指标阈值,或者对应监测点存在水质恶化趋势时,触发预警信号,将水质等级判定结果、关键指标预测值以及所述预警信号按照监测时间和监测点空间位置进行关联,生成包括水质等级空间分布、关键指标时空变化、关键指标预测趋势和预警位置的时空演变图及趋势分析图表,形成动态监测报告。
43、可选的,所述s5包括:
44、s51,按照预定更新周期获取新增采集的水质数据、水文数据、气象数据、卫星遥感数据和无人机航测数据,采用异常数据剔除、时序对齐和空间配准方式进行预处理,并按照监测点、监测时间和标准化空间网格,将预处理后的新增监测数据与对应的水质等级实际结果及关键指标实际值进行关联,形成新增训练样本批次,将所述新增训练样本批次加入原训练集,得到更新训练集;
45、s52,将所述新增训练样本批次依次输入用于提取水质时序演化特征、上下游空间邻域特征及水体遥感特征并生成融合时空特征表示的处理过程,以及用于证据合成、空间传播与聚合和融合权重调节的处理过程,得到新增训练样本对应的多源数据深度融合结果,根据新增训练样本的水质等级实际结果与水质等级判定结果计算等级判定损失,并根据关键指标实际值与关键指标预测值计算指标预测损失,对所述等级判定损失和指标预测损失进行加权,得到当前更新周期的增量更新损失;
46、s53,基于所述增量更新损失,分别计算用于提取水质时序演化特征、上下游空间邻域特征及水体遥感特征并生成融合时空特征表示的第一参数集合的损失梯度,以及用于证据合成、空间传播与聚合和融合权重调节的第二参数集合的损失梯度,按照对应的增量学习率对所述第一参数集合和第二参数集合进行更新,并将更新后的参数用于下一监测周期的多模态时空特征提取和多源数据深度融合。
47、本发明的有益效果:
48、本发明,通过构建由水质数据、水文数据、气象数据、卫星遥感数据和无人机航测数据组成的多源感知体系,并结合异常数据剔除、时序对齐及空间配准,实现不同来源、不同采样频率及不同空间分辨率监测数据的统一预处理,有效消除异常数据及数据时空差异对监测结果的影响,同时,通过提取水质时序演化特征、上下游空间邻域特征及水体遥感特征,并利用跨模态注意力机制进行融合,能够充分挖掘河湖水生态环境的时序变化规律、空间传播规律及遥感信息特征,提高多源数据的协同利用效率,为后续生态环境监测提供更加全面、准确的融合特征。
49、本发明,通过采用d-s证据理论对水质数据、水文数据和气象数据进行证据合成,并结合图卷积网络实现监测点之间水质信息的空间传播与聚合,同时根据各数据源的数据缺失率、信噪比和时效性动态计算融合权重,实现不同质量数据源的自适应融合,有效降低不同数据源之间的不确定性和冲突对监测结果的影响,提高多源数据深度融合结果的可靠性、稳定性及空间连续性,使河湖水生态环境监测结果更加符合实际水体变化情况。
50、本发明,通过基于多源数据深度融合结果进行水质等级判定,并结合历史监测数据预测未来预定时间段内的水质变化趋势及关键指标预测值,对当前监测值、预测值及水质恶化趋势进行综合分析,实现水生态环境异常的提前预警,并自动生成动态监测报告,同时,通过将新增监测数据持续加入训练集,对用于多模态特征提取和多源数据融合的相关参数进行增量式更新,使监测模型能够持续适应河湖水生态环境的季节性变化及长期演变过程,提高系统长期运行过程中的预测精度、环境适应能力及智慧监测水平。
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