[发明专利]基于深度学习的扩散预测方法及系统

说明书

本发明公开了一种基于深度学习的扩散预测方法及系统，包括：获取目标区域内污染源信息筛选目标污染物，根据目标区域的GIS地理数据确定目标污染物监测点；通过目标污染物监测点采集目标污染物浓度信息，获取目标区域的污染扩散格局；获取污染区域的目标污染物的浓度变化序列，构建扩散预测模型，通过扩散预测模型对连续时间段内目标污染物浓度及土壤性质、水质性质获取时空关联特征；利用目标区域当前时间的污染分布结合目标污染物的扩散趋势获取潜在污染区域，生成预测污染扩散分布。本发明通过学习污染的分布规律及时空关联特征，模拟污染扩散的分布状况，提高了污染扩散预测的精确度，为污染物防控工作提供数据基础。

技术领域

本发明涉及污染监测技术领域，更具体的，涉及一种基于深度学习的扩散预测方法及系统。

背景技术

环境监测是指对环境中各种污染物质及其相互作用的状况进行监测、分析、评价和预测的过程。城市化和工业化进程的加快和扩张，使得大量的污染物质被释放并扩散到大气、水体及土壤中，导致污染问题日益严重。污染扩散可分为不同类型，如气溶胶扩散、水质扩散、土壤扩散等。污染扩散对周围环境和人类健康造成重大影响，需要采取相应的措施防止和控制污染物质的扩散。常见的污染扩散来源包括工业废气、交通尾气、农业污染、垃圾填埋等。

污染扩散预测的关键是建立准确的数学模型。数学模型通常包括物理模型、化学模型和数值模型等。物理模型用于描述污染物在大气、水体或土壤中的物理过程，如对流、扩散、沉降和反射等；化学模型则用于描述污染物的化学反应和转化过程；数值模型则将物理和化学模型转化为计算机程序，用于模拟和预测污染物的传输和扩散规律。现阶段，在污染扩散预测中，深度学习可以用于提取污染物传输和扩散的复杂关系和模式，从而实现准确的预测。因此，在污染扩散预测中如何通过深度学习对污染物质的传输规律和环境因素进行学习，实现扩散的精准预测是亟不可待需要解决的问题。

发明内容

为了解决上述技术问题，本发明提出了一种基于深度学习的扩散预测方法及系统。

本发明第一方面提供了一种基于深度学习的扩散预测方法，包括：

获取目标区域内污染源信息，根据所述污染源信息筛选目标污染物，根据目标区域的GIS地理数据确定目标污染物监测点；

通过目标污染物监测点采集目标污染物浓度信息，基于所述目标污染物浓度信息对各监测点进行聚类，获取目标区域的污染扩散格局；

根据目标区域的污染扩散格局获取污染区域的目标污染物的浓度变化序列，构建扩散预测模型，基于污染区域的目标污染物的浓度变化序列进行训练；

通过扩散预测模型对连续时间段内目标污染物浓度及土壤性质、水质性质获取时空关联特征，通过时空关联特征表征目标污染物的扩散趋势；

利用目标区域当前时间的污染分布结合目标污染物的扩散趋势获取潜在污染区域，生成预测污染扩散分布，并进行可视化显示。

本方案中，获取目标区域内污染源信息，根据所述污染源信息筛选目标污染物，根据目标区域的GIS地理数据确定目标污染物监测点，具体为：

根据目标区域的区域范围获取范围内的污染源信息，根据污染源信息提取污染源位置信息及污染源产出的污染物，通过污染物筛选出目标区域的标志性污染物；

根据预设环境监测任务在标志性污染物中进行筛选获取目标污染物，获取目标区域现有环境监测井的位置信息，并提取环境监测井中环境监测信息，分析目标污染物现有监测数据；

将目标污染物的现有监测数据进行数据预处理，通过预处理后的现有监测数据进行数据分析，通过大数据手段检索获取目标污染物扩散相关经验，设置当前环境监测井位置分布下的监测数据相关性标准；

根据数据分析获取不同位置环境监测井的数据关联，判断所述数据关联与监测数据相关性标准的偏差，当偏差不处于预设偏差区间时，则获取目标区域的GIS地理数据；